intégration d'une ontologie et des technologies w eb 2.0 ... · mr. abdi mustapha mca,...

Département d’Informatique

Laboratoire d’Informatique d’Oran (LIO)

Intégration d'une ontologie et des

technologies Web 2.0 dans la conception

d'un Système d'Aide à la Décision

Collaborative (SADC) : Cas de l'industrie

du non-tissé

Thèse

Pour l'obtention du

Doctorat LMD

Domaine : Mathématique et Informatique

Filière : Informatique

Spécialité : Informatique de la Répartition et d’Aide à la Décision (IRAD)

Par

Fatima Zohra BENKADDOUR

Composition du Jury :

Mr. BELDJILALI Bouziane Pr, Université d’Oran 1 Ahmed Ben Bella Président

Mr. BOUAMRANE Karim Pr, Université d’Oran 1 Ahmed Ben Bella Examinateur

Mr. EL BERRICHI Zakaria Pr, Université de Sidi-Bel-Abbès Examinateur

Mr. MALKI Mimoun Pr, ESI Sidi-Bel-Abbès Examinateur

Mr. ABDI Mustapha MCA, Université d’Oran 1 Ahmed Ben Bella Examinateur

Mme. TAGHEZOUT Noria MCA, Université d’Oran 1 Ahmed Ben Bella Directrice de thèse

Mr. ASCAR Bouabdellah Directeur Général adjoint à INOTIS

entreprise, Oran

Invité

2017

Résumé

Dans cette thèse, nous proposons un Système d'Aide à la Décision Collaborative

� SADC � pour faire face aux problèmes de décision complexes liés à l'industrie

du non-tissé. Notre système est basé sur un processus d'aide à la décision colla-

borative qui exploite la connaissance représentée dans une ontologie de domaine

du non-tissé et utilise un raisonnement à base de cas. Les utilisateurs de notre

système (opérateurs, experts ou directeurs de production) ont la possibilité de

partager et d'échanger des idées ou points de vue, en vue d'établir des diagnos-

tics sur les problèmes concernant les machines (ressources) grâce à la plateforme

collaborative que nous avons développée en utilisant les technologies Web 2.0.

Nous présentons dans un premier temps l'architecture globale du système SADC

qui comprend plusieurs modules tels que : Le module de visualisation, le module

de gestion des requêtes, le moteur de raisonnement, le module de similarité, etc.

Ensuite, nous décrivons les étapes de capitalisation des connaissances à travers

l'ontologie de domaine qui a été conçue à partir de zéro. Puis, nous préciserons

le choix de la mesure de similarité employée lors de la phase de remémoration du

raisonnement à base de cas. Dans un deuxième temps, Nous avons procédé à deux

types d'évaluation du système SADC, la première consiste à tester le système dans

l'entreprise INOTIS pour deux situations impliquant ou pas l'expert du domaine.

La seconde évaluation correspond à un questionnaire soumis aux di�érents utili-

sateurs de notre plateforme collaborative, l'idée est de pondérer les réponses aux

di�érentes questions et d'analyser le taux de satisfaction des utilisateurs.

Mots-clés : Diagnostic, industrie du non-tissé, INOTIS, ontologie de domaine,

prise de décision collaborative, SADC, Web 2.0.

Remerciements

Je tiens d'abord à remercier Dieu de m'avoir donné santé et courage pour accomplir

ce modeste travail.

Mes vifs remerciements s'adressent en premier lieu à ma directrice de thèse ma-

dame Noria Taghezout, Maître de Conférences A à l'université d'Oran1 Ahmed

Ben Bella, pour m'avoir proposé ce sujet, dirigé mes travaux, sa disponibilité et de

m'avoir permis de développer mon sens de recherche. Qu'elle soit assurée de ma

profonde gratitude et ma haute considération.

Mon profond respect et mes remerciements vont au président du jury monsieur

Bouziane Beldjilali, Professeur à l'université d'Oran1 Ahmed Ben Bella, ainsi

qu'aux membres du jury monsieur Zakaria El Berrichi, Professeur à l'université

de Sidi-Bel-Abbès, monsieur Mimoun Malki, Professeur à l'Ecole Supérieure d'In-

formatique de Sidi-Bel-Abbès (ESI), monsieur Karim Bouamrane, Professeur à

l'université d'Oran1 Ahmed Ben Bella et monsieur Mustapha Abdi, Maître de

Conférences A à l'université d'Oran1 Ahmed Ben Bella, qui m'ont fait l'honneur

d'examiner et de juger mon travail.

Mes sincères remerciements s'adressent aussi à monsieur Bouabdellah Ascar, Di-

recteur général adjoint à l'entreprise INOTIS Oran, pour l'intérêt dont il a fait

preuve envers ma recherche et de m'avoir ouvert les portes de l'entreprise. Je re-

mercie aussi, monsieur Issad Ghaouti, Responsable de la production à l'entreprise

INOTIS Oran, pour sa disponibilité et sa précieuse aide.

Je suis particulièrement reconnaissante à monsieur Moussa Benaissa ainsi que

monsieur Abderrahmane Khiat pour leurs très nombreuses connaissances qui m'ont

permis de progresser et ont répondu à plusieurs de mes préoccupations.

Je remercie intensément toute ma famille et mes amis pour m'avoir soutenue,

épaulée et supportée tout au long de la réalisation de ce travail.

Et en�n, merci à tous ceux qui par un geste, ou une parole m'ont encouragée à

mener à bien cette thèse.

iii

Table des matières

Résumé ii

Remerciements iii

Table des matières iv

Liste des �gures ix

Liste des tableaux xi

Abréviations xii

1 Introduction générale 11.1 Le contexte de notre étude . . . . . . . . . . . . . . . . . . . . . . . 21.2 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51.3 Contribution scienti�que et industrielle . . . . . . . . . . . . . . . . 71.4 Démarche et organisation du document . . . . . . . . . . . . . . . . 8

I État de l'art 10

2 L'aide à la décision collaborative 112.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112.2 Notion de coopération, coordination et collaboration . . . . . . . . 12

2.2.1 Coopération . . . . . . . . . . . . . . . . . . . . . . . . . . . 122.2.2 Coordination . . . . . . . . . . . . . . . . . . . . . . . . . . 122.2.3 Collaboration . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.3 Di�érences entre coordination et collaboration . . . . . . . . . . . . 132.4 Di�érences entre coopération et collaboration . . . . . . . . . . . . 142.5 La décision collaborative . . . . . . . . . . . . . . . . . . . . . . . . 16

2.5.1 Dé�nitions de base de la décision . . . . . . . . . . . . . . . 162.5.2 Processus décisionnel . . . . . . . . . . . . . . . . . . . . . . 172.5.3 Processus de décision collaborative . . . . . . . . . . . . . . 20

iv

Table des matières v

2.6 Le travail collaboratif . . . . . . . . . . . . . . . . . . . . . . . . . . 222.7 Intelligence collective . . . . . . . . . . . . . . . . . . . . . . . . . . 262.8 Domaines d'application . . . . . . . . . . . . . . . . . . . . . . . . . 262.9 Mécanismes pour la collaboration . . . . . . . . . . . . . . . . . . . 272.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

3 Les Ontologies et la connaissance 293.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293.2 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293.3 Les formes des connaissances . . . . . . . . . . . . . . . . . . . . . . 30

3.3.1 Di�érence sémantique . . . . . . . . . . . . . . . . . . . . . 303.3.2 Di�érences pratiques . . . . . . . . . . . . . . . . . . . . . . 32

3.4 Gestion des connaissances . . . . . . . . . . . . . . . . . . . . . . . 333.4.1 Processus de gestion de connaissances . . . . . . . . . . . . . 343.4.2 Objectifs de la gestion de connaissances . . . . . . . . . . . . 353.4.3 Les formalismes de représentation de connaissances . . . . . 353.4.4 Raisonnement à partir de connaissances . . . . . . . . . . . 37

3.4.4.1 Dé�nitions du raisonnement . . . . . . . . . . . . . 373.4.4.2 Raisonnement à base de cas . . . . . . . . . . . . . 373.4.4.3 Di�érences entre le RBC et les autres types de rai-

sonnement . . . . . . . . . . . . . . . . . . . . . . . 393.4.4.4 Les principaux domaines d'utilisation du RBC . . . 40

3.5 Dé�nitions d'ontologie . . . . . . . . . . . . . . . . . . . . . . . . . 413.5.1 Dé�nition de (Neches et al., 1991) . . . . . . . . . . . . . . . 423.5.2 Dé�nition de (Gruber, 1993) . . . . . . . . . . . . . . . . . . 423.5.3 Dé�nition de (Borst, 1997) . . . . . . . . . . . . . . . . . . . 423.5.4 Dé�nition de (Studer et al., 1998) . . . . . . . . . . . . . . . 423.5.5 Dé�nition de (Kitamura et al., 2002) . . . . . . . . . . . . . 423.5.6 Dé�nition de (Bechhofer et al., 2003) . . . . . . . . . . . . . 433.5.7 Dé�nition de (Roche, 2005) . . . . . . . . . . . . . . . . . . 433.5.8 Dé�nition de (Aussenac-Gilles et al., 2006) . . . . . . . . . . 433.5.9 Dé�nition de (Gruber, 2007) . . . . . . . . . . . . . . . . . . 433.5.10 Dé�nition de (Nordmann, 2009) . . . . . . . . . . . . . . . . 44

3.6 Cycle de vie d'une ontologie . . . . . . . . . . . . . . . . . . . . . . 443.7 Les constituants de l'ontologie . . . . . . . . . . . . . . . . . . . . . 45

3.7.1 Propriétés des concepts . . . . . . . . . . . . . . . . . . . . . 463.7.2 Propriétés de relations . . . . . . . . . . . . . . . . . . . . . 473.7.3 Les propriétés interrelations . . . . . . . . . . . . . . . . . . 473.7.4 Les propriétés liant une relation et un concept . . . . . . . . 47

3.8 Les typologies des ontologies . . . . . . . . . . . . . . . . . . . . . . 483.8.1 Ontologie de représentation des connaissances . . . . . . . . 483.8.2 Ontologie supérieure ou de haut niveau . . . . . . . . . . . . 483.8.3 Ontologie Générique . . . . . . . . . . . . . . . . . . . . . . 493.8.4 Ontologie du Domaine . . . . . . . . . . . . . . . . . . . . . 49

Table des matières vi

3.8.5 Ontologie de Tâches . . . . . . . . . . . . . . . . . . . . . . 503.8.6 Ontologie d'application . . . . . . . . . . . . . . . . . . . . . 50

3.9 Principe de construction des ontologies . . . . . . . . . . . . . . . . 503.10 Construction d'une ontologie . . . . . . . . . . . . . . . . . . . . . . 51

3.10.1 L'identi�cation des besoins . . . . . . . . . . . . . . . . . . . 513.10.2 La collecte et la dé�nition des éléments constructifs de l'on-

tologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 513.10.3 La séparation des concepts, des termes et des relations . . . 523.10.4 La structuration et la représentation de l'ontologie . . . . . . 523.10.5 L'évaluation et le feedback . . . . . . . . . . . . . . . . . . . 53

3.11 Langages et outils de développement d'ontologie . . . . . . . . . . . 533.11.1 Les langages . . . . . . . . . . . . . . . . . . . . . . . . . . . 533.11.2 Les outils de développement . . . . . . . . . . . . . . . . . . 55

3.12 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4 Le Web et les outils de collaboration 564.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 564.2 Les concepts de base du Web . . . . . . . . . . . . . . . . . . . . . 56

4.2.1 WWW (Word Wide Web) . . . . . . . . . . . . . . . . . . . 564.2.2 URL (Uniform Resource Locator) . . . . . . . . . . . . . . . 574.2.3 HTTP (Hyper Text Transfer Protocol) . . . . . . . . . . . . 584.2.4 HTML (Hyper Text Markup Language) . . . . . . . . . . . . 58

4.3 Architecture du Web . . . . . . . . . . . . . . . . . . . . . . . . . . 584.3.1 Qu'est-ce qu'un serveur ? . . . . . . . . . . . . . . . . . . . . 594.3.2 Qu'est-ce qu'un client ? . . . . . . . . . . . . . . . . . . . . . 594.3.3 Les di�érents modèles de client-serveur . . . . . . . . . . . . 594.3.4 Architectures client-serveur . . . . . . . . . . . . . . . . . . 60

4.3.4.1 L'architecture 2 tiers . . . . . . . . . . . . . . . . . 604.3.4.2 L'architecture 3 tiers . . . . . . . . . . . . . . . . . 614.3.4.3 L'architecture n-tiers . . . . . . . . . . . . . . . . . 62

4.4 Le Web et son évolution . . . . . . . . . . . . . . . . . . . . . . . . 624.4.1 Web 0.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 624.4.2 Web 1.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 634.4.3 Web 2.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 644.4.4 Web 3.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 654.4.5 Web 4.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4.5 Les outils de collaboration . . . . . . . . . . . . . . . . . . . . . . . 684.5.1 Pourquoi utiliser des outils de collaboration ? . . . . . . . . . 694.5.2 Catégories d'outils de collaboration . . . . . . . . . . . . . . 69

4.5.2.1 Les outils de communication . . . . . . . . . . . . . 704.5.2.2 Les outils de partage d'applications et de ressources 714.5.2.3 Outils d'information et de gestion des connaissances 724.5.2.4 Outils de coordination . . . . . . . . . . . . . . . . 73

4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

Table des matières vii

II Vers un système d'aide à la décision collaborative 75

5 Modélisation du Système d'Aide à la Décision Collaborative (SADC) 765.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 765.2 Travaux connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 765.3 Le système SADC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

5.3.1 Architecture globale . . . . . . . . . . . . . . . . . . . . . . 805.3.2 Processus d'aide à la décision collaborative . . . . . . . . . . 825.3.3 Classement des solutions . . . . . . . . . . . . . . . . . . . . 84

5.3.3.1 Les primitives du vote . . . . . . . . . . . . . . . . 86Les primitives du facilitateur : . . . . . . . . . . . . . 86Les primitives des opérateurs : . . . . . . . . . . . . . 86

5.3.3.2 Cardinalité du vote . . . . . . . . . . . . . . . . . . 875.3.3.3 Délai de réponse par défaut . . . . . . . . . . . . . 875.3.3.4 Le nombre de réponses nécessaire pour le vote . . . 875.3.3.5 Complexité du vote . . . . . . . . . . . . . . . . . . 87

5.3.4 Détails de développement de l'ontologie . . . . . . . . . . . . 885.3.4.1 Acquisition des connaissances . . . . . . . . . . . . 885.3.4.2 Méthodologie adoptée pour le développement . . . 905.3.4.3 Mise à jour de l'ontologie . . . . . . . . . . . . . . 93

5.3.5 Raisonnement à base de cas (RBC) . . . . . . . . . . . . . . 935.3.5.1 Description d'un cas . . . . . . . . . . . . . . . . . 935.3.5.2 Cycle de raisonnement par cas . . . . . . . . . . . . 945.3.5.3 Recherche d'un cas (remémoration) . . . . . . . . . 955.3.5.4 Indexation des cas . . . . . . . . . . . . . . . . . . 98

5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

6 Implémentation et mise en ÷uvre du système SADC 996.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 996.2 Outils de développement . . . . . . . . . . . . . . . . . . . . . . . . 99

6.2.1 JAVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 996.2.2 Systèmes de gestion de base de données utilisés . . . . . . . 1006.2.3 Protégé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1006.2.4 API JENA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1016.2.5 Netbeans . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1016.2.6 Apache Tomcat . . . . . . . . . . . . . . . . . . . . . . . . . 102

6.3 Scénarios d'exécution . . . . . . . . . . . . . . . . . . . . . . . . . . 1026.3.1 Scénario 01 : Cas d'un nouveau problème . . . . . . . . . . . 1026.3.2 Scénario 02 : Diagnostic en utilisant la base de cas . . . . . . 1066.3.3 Scénario 03 : Classi�cation des solutions en utilisant le vote . 108

6.3.3.1 Cas sans con�it ou d'inégalité des solutions . . . . 1086.3.3.2 Cas de con�it ou d'égalité des solutions . . . . . . 111

6.4 Discussion des résultats . . . . . . . . . . . . . . . . . . . . . . . . . 1136.4.1 Évaluation du système SADC . . . . . . . . . . . . . . . . . 113

Table des matières viii

6.4.1.1 1er cas : La résolution de problèmes avec l'inter-vention de l'expert . . . . . . . . . . . . . . . . . . 113

6.4.1.2 2me cas : La résolution de problèmes sans l'inter-vention de l'expert . . . . . . . . . . . . . . . . . . 116

6.4.2 Validation par rapport au raisonnement à base de cas . . . . 1186.4.3 Évaluation de la plateforme . . . . . . . . . . . . . . . . . . 125

6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

7 Conclusion générale et perspectives 132

A Mesures de similarité sémantique 136A.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136A.2 Dé�nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136

A.2.1 Dé�nition de la similarité . . . . . . . . . . . . . . . . . . . 136A.2.2 Dé�nition de la similarité sémantique . . . . . . . . . . . . . 137

A.3 Classi�cation des approches de mesure de similarité sémantique . . 137A.3.1 Approches à base de distance taxonomique (arcs) . . . . . . 137

A.3.1.1 Mesure de (Rada et al., 1989) . . . . . . . . . . . . 138A.3.1.2 Mesure de (Wu & Palmer, 1994) . . . . . . . . . . 139A.3.1.3 Mesure de (Hirst & St-Onge, 1998) . . . . . . . . . 139A.3.1.4 Mesure de (Ehrig & Staab, 2004) . . . . . . . . . . 140A.3.1.5 Mesure de (Zargayouna & Salotti, 2004) . . . . . . 141

A.3.2 Approches à base de traits . . . . . . . . . . . . . . . . . . . 141A.3.2.1 Mesure de (Tversky, 1977) . . . . . . . . . . . . . . 141A.3.2.2 Mesure de (Lesk, 1986) . . . . . . . . . . . . . . . 142

A.3.3 Approches à base de contenu informationnel . . . . . . . . . 142A.3.3.1 Mesure de (Resnik, 1995) . . . . . . . . . . . . . . 143A.3.3.2 Mesure de (Lin, 1998) . . . . . . . . . . . . . . . . 143A.3.3.3 Mesure de (Seco et al., 2004) . . . . . . . . . . . . 143A.3.3.4 Mesure de (Jiang & Conrath, 1997) . . . . . . . . . 144

A.3.4 Approches hybrides . . . . . . . . . . . . . . . . . . . . . . . 144A.3.4.1 Mesure de (Jiang & Conrath, 1997) . . . . . . . . . 145A.3.4.2 Mesure de (Leacock et al., 1998) . . . . . . . . . . 145

A.4 Domaines d'application des mesures de similarité . . . . . . . . . . 145A.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146

Références bibliographiques 147

Table des �gures

1.1 INOTIS entreprise . . . . . . . . . . . . . . . . . . . . . . . . . . . 31.2 Processus de production d'INOTIS . . . . . . . . . . . . . . . . . . 41.3 Exemple de fréquence de pannes pour l'année 2015 . . . . . . . . . 6

2.1 Processus décisionnel de Simon . . . . . . . . . . . . . . . . . . . . 182.2 Cycle de la décision Courbon . . . . . . . . . . . . . . . . . . . . . 182.3 Processus décisionnel de Lavergne . . . . . . . . . . . . . . . . . . . 192.4 Modèle DTL (Decision Time Line) . . . . . . . . . . . . . . . . . . 192.5 Processus décisionnel de Cauvin . . . . . . . . . . . . . . . . . . . . 202.6 Modèle du processus de conception collaborative . . . . . . . . . . . 212.7 Modèle du processus de conception collaborative . . . . . . . . . . . 212.8 Modèle du processus de conception collaborative . . . . . . . . . . . 222.9 Modèle du processus de prise de décision collective . . . . . . . . . 232.10 Cycle de collaboration . . . . . . . . . . . . . . . . . . . . . . . . . 252.11 Classi�cation selon les critères temps et espace . . . . . . . . . . . . 28

3.1 Connaissances explicites et connaissances tacites . . . . . . . . . . . 323.2 Le prisme d'analyse du KM . . . . . . . . . . . . . . . . . . . . . . 343.3 Modèle de la marguerite . . . . . . . . . . . . . . . . . . . . . . . . 343.4 Le cycle du raisonnement à partir de cas . . . . . . . . . . . . . . . 383.5 Cycle de vie d'une ontologie . . . . . . . . . . . . . . . . . . . . . . 45

4.1 Architecture client-serveur . . . . . . . . . . . . . . . . . . . . . . . 594.2 Architecture 2 tiers . . . . . . . . . . . . . . . . . . . . . . . . . . . 614.3 Architecture 3 tiers . . . . . . . . . . . . . . . . . . . . . . . . . . . 614.4 Les quatre catégories d'outils de collaboration . . . . . . . . . . . . 70

5.1 Architecture générale . . . . . . . . . . . . . . . . . . . . . . . . . . 815.2 Processus d'aide à la décision collaborative . . . . . . . . . . . . . . 835.3 Processus du vote . . . . . . . . . . . . . . . . . . . . . . . . . . . . 855.4 Composants de notre ontologie de domaine . . . . . . . . . . . . . . 905.5 Extrait de notre ontologie.owl . . . . . . . . . . . . . . . . . . . . . 915.6 Phase de recherche de solutions . . . . . . . . . . . . . . . . . . . . 97

6.1 Identi�cation d'un utilisateur . . . . . . . . . . . . . . . . . . . . . 1036.2 Inscription d'un nouvel utilisateur . . . . . . . . . . . . . . . . . . . 1036.3 Récupération du mot de passe d'un utilisateur . . . . . . . . . . . . 103

ix

Table des Figures x

6.4 Pro�l d'un utilisateur . . . . . . . . . . . . . . . . . . . . . . . . . . 1046.5 Poster un problème . . . . . . . . . . . . . . . . . . . . . . . . . . . 1046.6 Liste des participants connectés à la plateforme . . . . . . . . . . . 1056.7 Une session de collaboration . . . . . . . . . . . . . . . . . . . . . . 1056.8 Aperçu des cas sources . . . . . . . . . . . . . . . . . . . . . . . . . 1066.9 Fréquence de pannes par machine . . . . . . . . . . . . . . . . . . . 1076.10 Questionnaire d'évaluation de la plateforme soumis à l'opérateur . . 1076.11 Aperçu des opérateurs de la plateforme collaborative . . . . . . . . 1086.12 Aperçu d'une session de collaboration clôturée . . . . . . . . . . . . 1106.13 Formulaire de description de l'échec . . . . . . . . . . . . . . . . . . 1136.14 Estimation de la production annuelle de l'entreprise INOTIS durant

l'année 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1186.15 Échantillon de cas sources . . . . . . . . . . . . . . . . . . . . . . . 1206.16 Aperçu de l'ontologie de domaine . . . . . . . . . . . . . . . . . . . 1206.17 Résultats de la comparaison entre mesures de similarité . . . . . . . 1256.18 Réponses des opérateurs de la plateforme au questionnaire . . . . . 1286.19 Taux de satisfaction de 27 utilisateurs par rapport à chaque catégorie129

A.1 Taxonomie des approches de mesure de similarité sémantique . . . . 138A.2 Les relations conceptuelles . . . . . . . . . . . . . . . . . . . . . . . 139A.3 Un extrait de l'ontologie UnivBench . . . . . . . . . . . . . . . . . . 140

Liste des tableaux

1.1 Exemple de pannes des machines de production . . . . . . . . . . . 5

2.1 Dé�nitions de la collaboration . . . . . . . . . . . . . . . . . . . . . 142.2 Comparaison entre coopération et collaboration . . . . . . . . . . . 152.3 Dé�nitions de la décision . . . . . . . . . . . . . . . . . . . . . . . . 17

4.1 Description du Web 1.0 . . . . . . . . . . . . . . . . . . . . . . . . . 644.2 Description du Web 2.0 . . . . . . . . . . . . . . . . . . . . . . . . . 664.3 Description du Web 3.0 . . . . . . . . . . . . . . . . . . . . . . . . . 674.4 Description du Web 4.0 . . . . . . . . . . . . . . . . . . . . . . . . . 68

5.1 Quelques concepts de l'ontologie de domaine . . . . . . . . . . . . . 925.2 Exemples de cas sources . . . . . . . . . . . . . . . . . . . . . . . . 95

6.1 Score des solutions attribué par les opérateurs . . . . . . . . . . . . 1096.2 Solutions proposées par les opérateurs . . . . . . . . . . . . . . . . . 1106.3 Priorité donnée aux solutions par les participants du vote . . . . . . 1116.4 Priorité donnée aux solutions par les operateurs en cas d'égalité . . 1126.5 Intervention de l'expert dans l'entreprise INOTIS . . . . . . . . . . 1156.6 Fréquence des pannes de machines durant Juin 2015 . . . . . . . . . 1176.7 Cas choisis pour illustrer l'expérience . . . . . . . . . . . . . . . . . 1196.8 Similarité entre mots-clés . . . . . . . . . . . . . . . . . . . . . . . . 1216.9 Résultats de calcul des indicateurs de pertinence P,R et F pour la

mesure (Rada et al., 1989) . . . . . . . . . . . . . . . . . . . . . . . 1226.10 Similarité entre mots-clés . . . . . . . . . . . . . . . . . . . . . . . . 1226.11 Résultats de calcul des indicateurs de pertinence P,R et F pour la

mesure (Wu & Palmer, 1994) . . . . . . . . . . . . . . . . . . . . . 1236.12 Similarité entre mots-clés . . . . . . . . . . . . . . . . . . . . . . . . 1236.13 Résultats de calcul des indicateurs de pertinence P,R et F pour la

mesure (Seco et al., 2004) . . . . . . . . . . . . . . . . . . . . . . . 1246.14 Quelques questions de la catégorie accessibilité et adaptabilité . . . 1266.15 Quelques questions de la catégorie convivialité et temps de réponse 1266.16 Quelques questions de la catégorie sécurité et assistance . . . . . . . 1276.17 Quelques questions de la catégorie fonctionnalité et e�cacité . . . . 1276.18 Quelques questions de la catégorie clarté et présentation . . . . . . 128

xi

Abréviations

3C Communication Coordination Collaboration

API Applications Programming Interface

BC Base de Cas

DAML DARPA Agent Markup Language

DARPA Defense Advanced Research Projects Agency

DTL Decision Time Line

EDANA European Disposables and Nonwovens Association

FTP File Transfert Protocol

GSC Gestion Supply Chain

HP Haute Pression

HTML Hyper Text Mark-up Language

HTTP Hyper Text Transfer Protocol

IA Intelligence Arti�cielle

IC Ingénierie des Connaissances

JSP Java Server Page

KIF Knowledge Interchange Format

KM Knowledge Management

MBR Model Based Reasoning

MMS Multimedia Messaging Service

NTIC Nouvelles Technologies de l'Information et de la Communication

OIL Ontology Inference Layer

OTC Outils de Travail Collaboratif

OWL Web Ontology Language

PHP Personal Home Page

xii

Liste des abréviations xiii

PV Procès Verbal

RBC Raisonnement à Base de Cas

RBR Rule Based Reasoning

RDF Resource Description Framework

RDFS Resource Description Framework Schema

RSE Reseau Social d'Entreprise

RSS Really Simple Syndication

SABIO Approche Systématique pour construire les Ontologies

SAD Système d'Aide à la Décision

SADC Système d'Aide à la Décision Collaborative

SARL Société A Responsabilité Limitée

SE Systèmes Experts

SGBD Systeme Gestion Base Données

SHOES Simple HTML Ontology Extensions

SIG Système d'Information Géographique

SMS Short Message Service

SQL Structured Query Language

TIC Technologie de l'Information et de la Communication

UML Uni�ed Modeling Language

URL Uniform Ressource Locator

W3C World Wide Web Consortium

WWW Word Wide Web

XML EXtensible Markup Language

À ma famille. . .

xiv

Chapitre 1

Introduction générale

L'entreprise est une organisation économique et sociale qui rassemble des res-

sources productives (humaines, matérielles, �nancières) et les combine pour pro-

duire des biens ou des services. L'entreprise intervient dans un système écono-

mique plus ou moins concurrentiel au sein duquel elle doit assumer une contrainte

de rentabilité. Cette recherche de rentabilité s'appuie sur l'étude des conditions de

la production dont les deux grands déterminants sont les rendements et les coûts

(Baranger, 1987). L'entreprise est aujourd'hui confrontée à des di�cultés crois-

santes d'organisation qui handicapent son e�cacité interne et lui font perdre des

points cruciaux de compétitivité. L'entreprise intervient dans un contexte mouvant

combiné à une émergence régulière de nouvelles pratiques.

La période actuelle est caractérisée par un développement sans précédent de la

technologie qui bouleverse les méthodes de gestion traditionnelles des entreprises.

Qu'il s'agisse de la conception de nouveaux produits, de leur fabrication et de

la mise en ÷uvre du traitement de l'information qui s'y rattache, la rapidité de

l'évolution impose une mise à jour fréquente des connaissances. La mondialisation

des marchés réclame une amélioration constante de la qualité et de l'e�cacité

opérationnelle, sans laquelle des stratégies gagnantes ne peuvent être élaborées

(Baranger, 1992).

Des études récentes ont démontré que la collaboration avec un nombre restreint

d'entreprises sélectionnées a un e�et positif sur la réussite et l'innovation. Les

améliorations récentes des techniques de communication ont donné au monde un

internet à grande vitesse, la connexion sans-�l et des outils collaboratifs en ligne

comme les wikis ont créé une collaboration de masse.

1

Chapitre 1. Introduction générale 2

Un système de collaboration d'entreprise bien conçu simpli�e les processus de

communications. Des processus sont devenus plus complexes pour les employés dû

notamment à l'expansion du travail à distance et des environnements de travail

répartis dans le monde. Aujourd'hui, les employés doivent composer avec l'accélé-

ration des marchés et l'importante quantité de données (Rouse, 2014).

Le travail en équipe a toujours, existé en entreprise quels que soient les produits

et/ou les services qui y sont développés et proposés. La nouveauté réside dans

la façon d'orchestrer les actions. Dans une approche conventionnelle, il s'agissait

plutôt d'une succession d'interventions de personnes, menées de façon isolée. La

tendance actuelle consiste à imbriquer le travail des collaborateurs, en leur don-

nant, au travers de leur interface bureautique habituelle, les moyens de travailler

ensemble. Les équipes interviennent ainsi, de façon simultanée ou di�érée, sur des

documents et des données contenus dans des serveurs et des postes clients. Au

plan économique, ce mode de fonctionnement revient à passer d'une e�cacité in-

dividuelle à une vraie productivité collective, au sein d'une entreprise. Au delà

de l'innovation technique ou commerciale, la collaboration est un des facteurs de

réussite des petites et moyennes entreprises. Nécessaire, mais pas su�sante, elle

contribue à créer la performance économique et c'est pourquoi la collaboration est

le premier pilier de l'entreprise de demain (Super, 2013, Nathan, 2015).

Dans la section suivante, nous présentons le contexte de notre étude.

1.1 Le contexte de notre étude

Avec l'application des nouvelles �bres synthétiques et la combinaison des nombreux

savoir-faire textiles ou connexes (non-tissés, composites), le textile s'exprime au-

jourd'hui dans un esprit renouvelé et décline des géométries nouvelles. Les activités

textiles contemporaines connaissent une formidable révolution, source de nouvelles

réalités sociales et économiques (Browaeys, 2014).

Dans l'industrie manufacturière où la productivité est essentielle, les solutions tra-

ditionnelles d'essuyage et de nettoyage tels que les chi�ons textiles et les serviettes

de location ne répondent plus aux besoins actuels. Nouvellement arrivés sur le

marché, les produits non-tissés présentent des propriétés bien supérieures.


Selon une étude récente, l'utilisation d'un produit non-tissé permet de réduire

jusqu'à 80% des déchets et des coûts de manutention pour le même résultat soit

un gain de temps de 32% et une économie de solvants de 40% , pour le même

résultat de travail (Munoz et al., 2015).

Selon la norme (ISO, 2011), le non-tissé peut être dé�ni comme suit : � Une feuille

manufacturée, constituée de voile ou de nappe de �bres orientées directionnellement

ou au hasard, liées par friction et/ou cohésion et/ou adhésion, à l'exclusion des

produits obtenus par tissage, tricotage, couture incorporant des �ls ou �laments de

liage ou feutrés par foulage humide qu'ils soient ou non aiguilletés �.

Notre cas d'étude porte sur le processus de production du non-tissé dans l'entre-

prise INOTIS. SARL INOTIS est une société privée créée en 2003, et située dans

la zone industrielle d'Est Es-Senia, Oran (Algérie) (montré à la �gure1.1). Elle a

commencé sa production en 2005 (INOTIS, 2015).

Figure 1.1: INOTIS entreprise (INOTIS, 2015)

INOTIS est un membre d'EDANA (European Disposables and Nonwovens As-

sociation). Sa principale activité est la production des non-tissés hydroliés d'une

capacité de 6000 tonnes par an ou 80 millions de m2 par an. Elle dispose d'un

e�ectif de 127 employés.

Le non-tissé peut en e�et être constitué de di�érentes matières premières, sé-

lectionnées en fonction de l'usage �nal : �bres naturelles (issues du bois), �bres

de transformation (viscose), �bres synthétiques (polyamide, polyester, polypropy-

lène) et mélanges. Ces matières sont transformées en voile grâce à un nappage. La


consolidation du voile de �bres est assurée par di�érentes techniques. La technique

adoptée par INOTIS est l'enchevêtrement hydraulique de �bres de cellulose et de

polyester avec du papier (INOTIS, 2015).

Les activités assurées par la société INOTIS sont : la production, la vente et la

logistique-livraison de produits non-tissés à usage médical, hygiénique et industriel

utilisé dans des environnements propres et stériles. Di�érentes gammes de produits

sont distinguées :

� Licial Hydrophobe : qui est une barrière composé de polyester et de cellulose

utilisé pour les applications médicales comme casaques et trousses chirurgicales

à usage unique.

� Licial Hydrophile : c'est un absorbant composé de polyester et de cellulose

ou de viscose et cellulose applicable pour l'essuyage dans les industries agro-

alimentaire, les pharmacies, la production électrotechnique et les environne-

ments propres.

� Matière première pour les lingettes bébé et adulte utilisées pour l'hygiène cor-

porel.

� Matière première pour la compresse en non-tissé utilisée pour les soins de plais.

Le processus de production d'INOTIS est basé sur la technique d'hydroliage qui

consiste à envoyer un rideau de jets d'eau sous pression sur la nappe composée de

�bres et papier pour les enchevêtrer et les former en une seule nappe cohérente,

sans utiliser de liants chimiques voir la �gure 1.2.

Figure 1.2: Processus de production d'INOTIS (INOTIS, 2015)


Nous pouvons résumer le processus de production d'INOTIS par les étapes sui-

vantes :

1. Le Cardage : la matière première forme une boule compacte contenant

des �bres de polyester ; elle est introduite dans l'ouvreuse de �bres. Dans

cette machine, la �bre de polyester est pesée et ensuite mouillée, elle est

transportée vers la machine Carde qui démêle et aère les �bres.

2. L'Hydroliage : les lignes de �bres passent sur l'Aquajet où la couture se

fera à haute pression d'eau, ainsi les lignes de �bre seront superposées,

3. Le Séchage : le produit obtenu passe dans un premier séchoir pour le pré-

séchage, une brève inspection de défauts de fabrication est réalisée. Le foulard

commence l'action suivante dans le processus visant à dé�nir le type de tissu

(hydrophile ou hydrophobe),

4. L'Enroulement : le tissu passe à un second et dernier séchage, il sera

enroulé par la machine de laminage autour d'un tube de carton,

5. A la �n, les rouleaux de tissu sont pesés et conduits au stock.

1.2 Problématique

INOTIS dresse un bilan annuel des pannes des machines à la �n de chaque année

a�n d'évaluer la performance de l'entreprise par l'intermédiaire des services de

production et de maintenance. Par exemple, les bilans des années 2013, 2014 et

2015 mettent en évidence les pannes répétitives et majeures de quelques machines.

Nous donnons un aperçu des pannes dans la table 1.1. L'étude menée dans le

Année Machine Panne Typedepanne

Duréedepanne

Fréquence

2015 POMPEHP

Arrêt ventilateurde circulation

répétitive 02H 10 fois/-mois

2014 AQUAJET La pompe doseusede �oculant ne dé-bite pas

répétitive 20Min 05 fois/-mois

2013 CARDE Défaut de détectiondu métal dans la�bre

répétitive 20Min 03 fois/-mois

Table 1.1: Exemple de pannes des machines de production (INOTIS, 2015)


cadre de cette thèse sur les pannes soulevées à INOTIS, nous a permis de dresser

un graphique montré à la �gure 1.3. L'analyse de cette �gure indique les pannes

des machines de production sur le taux de production pour l'année 2015, nous

constatons que ces dernières représentent près de 34 jours/ 196 jours d'arrêt ou de

production perturbée. Dans ce genre de situation, l'entreprise enregistre une perte

�nancière énorme et la résolution des problèmes consiste dans la plupart des cas

en un changement de la pièce défaillante ou dans le cas majeur à faire intervenir

les experts (locaux ou étrangers).

Figure 1.3: Exemple de fréquence de pannes pour l'année 2015 (INOTIS, 2015)

Suite à de nombreuses visites à la société, nous avons identi�é un certain nombre

de problèmes auxquels les opérateurs sont confrontés quotidiennement dans les

services de production et de maintenance, ces derniers peuvent être résumés comme

suit :

1. Absence de système d'information et formalisme de gestion des connais-

sances, les connaissances présentes sont des connaissances tacites, non struc-

turées se présentant sous formes de : PV de réunions, de conversations in-

formelles et d'interviews, les opérateurs ou les cadres supérieurs d'INOTIS

ne sont pas en mesure de faire un usage e�cace de leurs connaissances et de

leurs expériences dans le domaine.

2. La tâche de structuration des informations pertinentes est e�ectuée d'une

façon manuelle qui nécessite le déploiement de grands e�orts ; la représen-

tation formelle et la structuration des connaissances sont nécessaires pour

permettre l'automatisation de l'extraction de connaissances.

3. L'étude de l'existant dans l'entreprise travaillant dans le non-tissé a montré

que les grands problèmes qui inquiètent les dirigeants ou chefs de produc-

tion sont principalement reliés aux pannes des machines comme la Carde,


l'Aquajet, etc. par rapport au passé vécu et à la fréquence des pannes de ces

machines du non-tissé, une certaine expérience a été acquise surtout pendant

l'intervention des spécialistes Allemands, et donc le partage d'expériences est

devenu nécessaire.

1.3 Contribution scienti�que et industrielle

Les apports de nos travaux ont vocation à discuter et proposer des éléments de

réponse dans le cadre de capitalisation de la connaissance, ce qui permet de relever

le premier dé� de notre époque : la volatilité de la connaissance. La valeur d'une

entreprise ne se mesure pas uniquement à sa production, mais aussi à son capital

intellectuel, humain, organisationnel, etc. pour innover, rester agile et pour ré-

pondre aux besoins des clients, il faut donc pouvoir capitaliser cette connaissance

qui est souvent sous forme de documents, un savoir-faire, des méthodes, etc.

Notre contribution scienti�que se base sur l'étude des processus d'aide à la décision

collaborative, nous nous sommes inspirés principalement du travail de (Laborie,

2006). Nous proposons un processus d'aide à la décision collaborative pour traiter

les problèmes de diagnostic appliqués à l'industrie du non-tissé. Notre proposition

combine l'aide à la décision collaborative avec le raisonnement à base de cas. Le

raisonnement à base de cas s'appuie sur le calcul de similarité entre les cas per-

tinents (déjà résolus) et les nouveaux problèmes rencontrés à l'aide de l'ontologie

développée à partir de zéro en utilisant des mesures de similarité sémantique. Les

solutions proposées par les opérateurs industriels (non-tissé) sont ordonnées selon

une méthode de classement qui tire parti des connaissances d'un domaine incluses

dans l'ontologie de domaine du non-tissé. Cette méthode s'appuie sur le contenu

informationnel des solutions et les préférences des opérateurs (vote), ces derniers

fournissent un classement plus pertinent.

Le travail présenté dans cette thèse consiste à concevoir un Système d'Aide à la

Décision Collaborative basé sur une ontologie et les technologies Web 2.0. L'onto-

logie de domaine représente la connaissance du non-tissé. Notre choix est motivé

par le fait que les ontologies de domaine restreignent l'interprétation des concepts

qu'elles dé�nissent au contexte spéci�é par le domaine. Ceci a l'avantage de limiter

l'ambiguïté des termes dé�nis dans l'ontologie, cette dernière est au c÷ur de notre

thèse et prend part dans le processus d'aide à la décision collaborative proposé.


L'intégration des technologies Web 2.0 intervient dans la proposition d'interfaces

plus réactives et plus riches, pour simpli�er la communication entre les opérateurs

du système.

Notre recherche met en exergue l'aspect collaboratif en incitant les opérateurs des

entreprises à partager leurs expériences et leur savoir a�n de s'entraider à résoudre

des problèmes de diagnostic industriels du quotidien.

Nous soulignons dans ce qui suit les points importants de notre contribution in-

dustrielle :

1. La proposition d'une plateforme collaborative dédiée principalement aux

opérateurs travaillant dans l'industrie du non-tissé et souhaitant partager

ou échanger des expériences ou un savoir-faire pour résoudre des problèmes

liés au non-tissé, c'est à dire des situations de diagnostic industriel.

2. La récolte, le tri et la capitalisation des connaissances pertinentes pour IN-

OTIS.

3. La collecte et l'intégration des préférences des opérateurs du non-tissé dans

le choix �nal de la meilleure solution pour le diagnostic industriel (par la

possibilité de résolution des situations de con�it à travers le vote).

1.4 Démarche et organisation du document

Pour répondre à cette problématique, ce document est organisé en sept chapitres

et une annexe. Au sein de chaque chapitre, une décomposition hiérarchique des

thèmes abordés amène aux éléments représentatifs de sa valeur ajoutée. Le docu-

ment est organisé comme suit.

� Le premier chapitre, �Introduction générale� expose notre contexte d'étude,

la problématique ainsi que la contribution. Nous introduisons à ce niveau notre

motivation.

Les chapitres 2,3 et 4 constituent la première partie qui présentent un état de l'art

relatif aux domaines en lien avec notre travail.

� Le second chapitre, �L'aide à la décision collaborative�, décrit notre analyse

de l'état de l'art sur les domaines d'aide à la décision et d'aide à la décision

collaborative.


� Le troisième chapitre, �Les ontologies et la connaissance� relève les di�é-

rentes dé�nitions qui ont été attribuées à la notion d'ontologie, nous donnons

aussi les di�érents éléments de sa composition. Ensuite nous présentons ces

types. Nous détaillons les outils utilisés pour leur développement y compris les

langages de spéci�cation.

� Le quatrième chapitre, �Le Web et les outils de collaboration�, présente

les technologies du Web et donne une vue globale de son évolution ainsi qu'une

catégorisation des di�érents outils de collaboration.

Les chapitres 5 et 6 sont regroupés dans la deuxième partie qui constitue notre

contribution.

� Le cinquième chapitre, �Modélisation du système SADC� présente quelques

travaux connexes, puis il décrit notre système d'aide à la décision collaborative

proposé en donnant l'architecture globale et l'ensemble des fonctionnements du

système.

� Le sixième chapitre, �Implémentation et mise en ÷uvre du système

SADC� décrit l'utilisation de notre plateforme à travers des scénarios d'exécu-

tion et présente les résultats obtenus.

Le septième chapitre, �Conclusion générale� présente une conclusion sur l'étude

entamée dans cette thèse. Il rappelle d'abord, les principaux résultats obtenus dans

cette recherche, notre contribution ainsi que les problèmes rencontrés. Il présente

ensuite les pistes de recherche à suivre pour approfondir et prolonger ces résultats.

En annexe, nous donnons les di�érentes mesures de similarité étudiées et implé-

mentées à travers l'étude comparative donnée en chapitre 5.

Première partie

État de l'art

Cette partie survole les divers concepts de base liés au thème abordé dans cette thèse, en

partant de l'aide à la décision collaborative pour ensuite traiter l'aspect des ontologies

en mettant en évidence les di�érents types de raisonnements appliqués et en�n terminer

avec la notion du Web ; son évolution, et les di�érents outils de collaboration qui s'y

rattachent.

10

Chapitre 2

L'aide à la décision collaborative

2.1 Introduction

Les relations d'a�aires entre entreprises sont traditionnellement marquées par une

forte compétition au niveau des enjeux transactionnels (coûts, spéci�cations des

produits, qualité, délai, performance, etc.). De telles pratiques créent au sein des

réseaux de création de valeur (réseaux d'entreprises) des ine�cacités sous la forme

d'accumulation de stocks, de redondance des activités réalisées, de non-conformité

aux spéci�cations, de délai, etc. (Frayret et al., 2003).

Depuis plus d'une décennie, certaines entreprises ont cependant compris que leur

capacité à satisfaire les besoins de leur clientèle, et donc leur pro�tabilité, sont

sujettes à la performance de leur réseau d'a�aires dans son ensemble (distributeurs,

fournisseurs, sous-traitant, prestataires de services, etc.). Ces entreprises ont donc

commencé à travailler di�éremment en partageant certaines informations. Ainsi

sont nées les premières formes modernes de la collaboration inter-entreprises.

Dans ce chapitre, nous introduirons dans un premier temps la notion de collabo-

ration ainsi que les processus décisionnels collaboratifs, les domaines d'application

et les principaux mécanismes de la collaboration. Dans un second temps, nous

présenterons les dé�nitions de la décision et les processus décisionnels relevés dans

la littérature.

11

Chapitre 2. L'aide à la décision collaborative 12

2.2 Notion de coopération, coordination et colla-

boration

Bien que chacun ait une notion intuitive de ce que la collaboration signi�e, ce

concept est souvent confondu avec celui de la coopération. Souvent, ces deux

termes sont utilisés pour désigner la même chose. L'ambiguïté atteint un niveau

plus élevé lorsque l'on considère d'autres termes proches comme la mise en réseau,

la communication et la coordination. Bien que chacun de ces concepts soit un pré-

requis important pour la collaboration, ils ne lui sont pas équivalents (A. H. Hor-

rigue, 2007). Nous introduisons dans ce qui suit les dé�nitions de la coopération

et la collaboration.

2.2.1 Coopération

D'après le dictionnaire � Le Robert �, coopérer veut dire : travailler conjointe-

ment avec quelqu'un. En économie, la coopération est le système par lequel des

personnes intéressées à un but commun s'associent et se répartissent le pro�t se-

lon un pourcentage en rapport avec leur part d'activité. En pratique, ce terme est

souvent utilisé de façon générique pour désigner toute situation de travail collectif.

La coopération est une relation informelle et à court terme, sans mission claire-

ment dé�nie, où chaque coopérant recherche des informations qui l'intéressent. Les

informations ne sont partagées que selon les besoins. Chaque organisation garde

son autorité, ses ressources et les récompenses séparées, il n'y a pas de risque à

travailler ensemble (Winer & Ray, 1994).

La coopération consiste en un travail en groupe hiérarchiquement organisé qui

fonctionne suivant un planning impliquant des délais et un partage des tâches (Vi-

guie, 2010). Chaque intervenant sait ce qu'il doit faire dès le début et communique,

échange ou partage des éléments uniquement pour arriver à son objectif individuel.

A la �n, le travail de chacun est relié pour créer un objet unique de travail.

2.2.2 Coordination

L'auteur dans son travail (Legardeur et al., 2003) a dé�nit la coordination comme

un ensemble de règles de fonctionnement établies par un ou plusieurs acteurs, en


vue de réaliser une tâche en commun. La coordination en conception est un moyen

de gestion et d'organisation de la concurance des actions au sein de ce processus,

pour assurer non seulement la cohérence, mais aussi l'optimisation globale de leurs

résultats. Elle consiste à plani�er les actions et à diviser les rôles entre équipes ou

entre acteurs (Jeanjet & Boujut, 1998).

La coordination est une relation plus formelle qui nécessite des plani�cations et

une division des rôles de chacun. Elle ouvre des canaux de communication entre les

organisations concernées. L'autorité reste dans chaque structure individuelle même

si la prise de risque augmente, avec une possibilité de problème de répartition de

pouvoir, d'in�uence. Les ressources sont disponibles pour les participants et les

récompenses sont mutuellement reconnues (Berchet, 2000).

2.2.3 Collaboration

D'après le dictionnaire � Le Robert �, collaborer veut dire : travailler avec d'autres

à une ÷uvre commune. Dans la littérature, nous trouvons plusieurs dé�nitions de

la collaboration. Ces dé�nitions di�èrent selon le point de vue de chaque auteur.

Nous trouvons, en l'occurrence, dans la table 2.1 des dé�nitions ayant un caractère

purement informatique ou économiste (Wikipedia, 2014).

2.3 Di�érences entre coordination et collaboration

D'après les dé�nitions de la coordination citées dans le paragraphe précédent, il

apparaît que celle-ci suppose qu'il existe un découpage entre les diverses actions

dans le processus, et que les mécanismes d'interaction soient prédé�nis. La colla-

boration, par contre, est une manière d'exécuter les actions. Elle relève du domaine

de l'opérationnalité alors que la coordination relève du domaine de l'instrumenta-

lité. La coordination prédit et ordonne les actions, construit et impose des règles

de fonctionnement. La collaboration permet de mettre en ÷uvre ces règles. La

coordination forme alors un cadre formel à la collaboration qui est principalement

émergente et informelle (Legardeur et al., 2003).


Dé�nitions RéférencesLa collaboration est une relation plus durable et plusprenante. Elle est bien dé�nie et se veut mutuellementbéné�que pour les organisations concernées a�n d'at-teindre des buts communs.

(Winer & Ray, 1994)

La collaboration nécessite la création d'une vision com-mune des questions à traiter, ainsi qu'un espace communpour stocker et partager les informations. Elle s'appuiesur un engagement mutuel des participants dans un ef-fort coordonné pour résoudre ensemble le problème posé.

(Dillenbourg et al.,1996)

La collaboration comme étant l'état à travers lequelles di�érentes parties participantes voyant les di�é-rents aspects d'un problème, peuvent explorer de façonconstructive leurs di�érences et chercher des solutionsallant au-delà de leur propre vision, limitée, du domainepossible.

(Yesilbas et al., 2006)

La collaboration peut être considérée comme une résolu-tion de problèmes communs. Elle signi�e travailler avecd'autres participants ayant des buts partagés. L'équipetente de trouver des solutions satisfaisant chacun despoints de vue des participants.

(Kvan, 2000)

La collaboration consiste en un travail en groupe d'égal àégal (sans lien hiérarchique de commandement ou d'im-pulsion) qui fonctionne sans véritable organisation préa-lable.

(Cauvin, 2005)

Table 2.1: Dé�nitions de la collaboration

2.4 Di�érences entre coopération et collaboration

Comme nous l'avons indiqué précédemment, les termes coopération et collabora-

tion sont parfois utilisés indi�éremment pour désigner des situations de travail

collectif. Ceci est dû à la di�culté qu'on peut rencontrer pour di�érencier les

deux termes et dé�nir une frontière claire entre eux. Les dé�nitions des termes

� collaboration � et � coopération � peuvent aussi dépendre de la position de

l'observateur. Ainsi, ces deux concepts peuvent ne pas avoir la même dé�nition

pour un observateur extérieur au processus observé que pour un acteur partici-

pant au processus, ou un chef de projet qui prescrit le processus sans y participer

e�ectivement (A. Horrigue et al., 2004).

Les deux concepts mettent en évidence la convergence collective vers un résultat,

en prenant en compte le point de vue de chaque participant. Les auteurs dans leur

travail (Yesilbas et al., 2006) ont a�rmé que la di�érence entre les deux concepts


réside dans la façon dont les tâches sont divisées. En e�et, dans la coopération, le

travail est découpé en sous-tâches indépendantes et chaque personne est respon-

sable d'une partie de la résolution du problème, et la coordination intervient lors

de l'assemblage des résultats partiels, alors que dans la collaboration, l'activité est

synchronisée et coordonnée de manière à construire et à maintenir une conception

partagée d'un problème.

La collaboration est utilisée pour désigner le processus même du travail en com-

mun, alors que la coopération met plus en valeur le résultat d'un tel travail (Puleo,

2003).

Puleo a dressé une comparaison entre les deux termes. Nous en présentons un

résumé dans la table suivant :

Coopération CollaborationObjectifs organisationnels non pris encompte.

Des objectifs communs sont créés.

Interaction entre individus, unique-ment en cas de besoin.

Interactions permanentes entre les par-ticipants.

Relations informelles, chaque grou-pe/individu fonctionne de façon sépa-rée.

Nouvelle structure organisationnelleavec des rôles corrélés

Pas de dé�nition commune du planningou des objectifs à atteindre.

Un ou plusieurs projets sont créés avecune perspective de résultats à longterme.

Leadership unilatéral. Chaque chef de projet est totalementengagé et convaincu de l'intérêt du pro-jet. Le leadership est partagé et distri-bué entre les participants.

L'information est échangée si besoin. Di�érents niveaux de communicationsont établis. La communication est vuecomme un élément clef du succès.

Les ressources restent séparées. Les ressources sont partagées dans uneperspective d'e�ort à long terme touten étant gérées par la structure colla-borative.

Table 2.2: Comparaison entre coopération et collaboration (Puleo, 2003)

La collaboration est une forme d'interaction beaucoup plus forte que la coopéra-

tion, nécessitant un esprit de groupe et une adhésion aux objectifs et aux résultats

beaucoup plus importants.


2.5 La décision collaborative

Les activités de décision ont une certaine importance, lors de l'établissement d'un

diagnostic, du choix d'une stratégie, d'une procédure de réparation ou de démon-

tage, etc. pour prendre une décision, il est nécessaire d'avoir à disposition les

informations adéquates. C'est dans l'accessibilité et la mise à disposition de ces in-

formations que les TIC (Technologie d'Information et de la Communication) vont

in�uencer les décisions. De même, les rapprochements d'acteurs vont être causés

par les TIC, leur permettant de travailler à plusieurs ou les aidant à mieux tra-

vailler en groupe. La sous section suivante, a pour objectif de dé�nir les notions

de décision et de collaboration. Elle présente également la décision collaborative,

activité au centre de nos travaux.

2.5.1 Dé�nitions de base de la décision

Nous partons de la dé�nition du dictionnaire (Paul et al., 2004) qui dé�nit l'ac-

tion de décider, comme le fait de � porter un jugement, adopter une conclusion

dé�nitive sur un point de litige � ou � arrêter, déterminer ce qu'on doit faire �.

Le dictionnaire québécois de la langue française complète cette première dé�nition

en indiquant que la décision est une � action volontaire de faire le choix d'une

solution face à un problème dé�nit � (québécois de la langue française, 2014). La

recherche scienti�que a également proposé quelques dé�nitions, regroupées dans

la table 2.3.

Malgré les di�érences qui marquent les dé�nitions de la table 2.3, nous avons noté

les points communs suivants :

� Une décision a pour objectif de résoudre un problème ;

� Elle doit se concrétiser par une action ;

� Elle peut être individuelle ou collective et, parfois, distribuée ;

� Elle peut être construite à partir de solutions existantes partielles parmi les-

quelles le décideur choisit une solution pouvant répondre au problème posé.

Le choix à opérer lors d'une prise de décision n'est pas totalement arbitraire, il

doit reposer sur une certaine rationalité. Pour cela, la dé�nition et l'utilisation

de critères de sélection sont nécessaires. Les critères permettant de faire un choix

dépendent principalement de l'objectif de la décision. Si l'objectif est unique, la

décision sera mono-critère. Dans la plupart des cas, la décision sera associée à

plusieurs objectifs et devra donc être multi-critères (Berchet, 2000). Contrairement


Dé�nitions RéférencesDécider, c'est � identi�er et résoudre des problèmes querencontre toute organisation �.

(Moigne, 1974)

La décision est synonyme de � choix entre plusieurs so-lutions existantes, ayant chacune des conséquences di�é-rentes, le sera fait selon des critères précis de la sélection�.

(Kast, 1993)

La décision correspond à � l'ensemble des actions que ledécideur e�ectue pour prendre une décision et la mettreen ÷uvre �.

(Barabel, 1996)

Une décision est une sélection d'une éventualité sont onpense qu'elle permettra d'obtenir des avantages opti-maux et des inconvénients minimaux.

(Berchet, 2000)

Une décision est un processus qui conduit un acteur àrépondre à une question posée.

(Cardinal, 2000)

Décider, c'est de choisir l'action à entreprendre, c'està dire choisir une action parmi toutes celles qui sontpossibles. Les action sont aussi appelées des solutionsou des options.

(Bellut, 2002)

La décision est un processus de transformation d'infor-mations. Il conduit un acteur ou un groupe d'acteurs del'organisation à répondre à une question donnant lieu àune action (par la réponse).

(Longueville, 2003)

Table 2.3: Dé�nitions de la décision (Seguy, 2008)

à la situation mono-critère qui peut être résolue assez facilement, la décision multi-

critère nécessite des méthodes de résolution plus élaborées. L'analyse multi-critères

nécessite un travail préparatoire des critères, visant à les identi�er, les formaliser

explicitement, les classer selon une priorité et, même, les agréger a�n de combiner

les critères et ainsi rendre possible la prise de décision. Les techniques multi-critères

peuvent être linéaires, itératives ou encore hiérarchiques. Chaque décision est un

cas particulier qui nécessite l'utilisation d'une méthode adaptée correspondant,

dans la plupart des cas, à une solution possible mais pas forcément optimale.

2.5.2 Processus décisionnel

Les dé�nitions de la décision du paragraphe précédent ont montré qu'il s'agit

d'une activité complexe, basée sur un enchaînement de mécanismes conduisant

à une prise de décision. Il est possible de matérialiser cet enchaînement par un

processus décisionnel composé de plusieurs étapes. La littérature propose plusieurs

modélisations du processus décisionnel. Herbert Alexander, Moigne sont parmi les


premiers à proposer une formalisation de la décision comme une succession d'étapes

intermédiaires formant un processus. Initialement, le processus proposé par Simon

était composé de trois étapes (Herbert Alexander, 1960) :

� Renseignement : recherche d'information, de renseignement sur le problème

à résoudre, ses contraintes et son environnement ;

� Conception : conception, développement et analyse des solutions possibles

pouvant répondre au problème posé ;

� Choix : évaluation et choix de la solution, en appliquant des critères d'évalua-

tion, puis mise en pratique de la décision choisie, des actions à mettre en place

pour résoudre le problème initial ;

� Une quatrième étape a été ajoutée au modèle initial de Simon : � Révision � tra-

duisant la remise en cause du processus ou d'une de ses étapes (Herbert Alexan-

der, 1977). Cette quatrième étape peut être vue comme une étape d'évaluation

du processus a�n de valider la décision à appliquer. Le processus décisionnel de

Simon est présenté sur la �gure 2.1.

Figure 2.1: Processus décisionnel de Simon (Herbert Alexander, 1977)

(Courbon, 1982) a également proposé une modélisation du processus décisionnel,

sous forme cyclique (la �gure 2.2), permettant un rebouclage et un réajustement

au fur et à mesure de l'évolution du processus.

Figure 2.2: Cycle de la décision Courbon (Courbon, 1982)

Cardinal a proposé une autre décomposition des étapes conduisant à une déci-

sion. Dans ses travaux, il a identi�é six étapes traduisant le processus décisionnel,

représentées sur la �gure 2.3.


Figure 2.3: Processus décisionnel de Lavergne (Lavergne, 1983)

Lavergne a contribué également à la modélisation du processus de décision pour

étudier les dysfonctionnements lors du choix des acteurs. Son modèle intitulé DTL

(Decision Time Line) repose sur la perception de la décision comme un processus

inscrit dans le temps, se déroulant en plusieurs étapes ( voir la �gure 2.4).

Figure 2.4: Modèle DTL (Cardinal, 2000)

Plus récemment, d'autres auteurs se sont intéressés à la modélisation de la prise

de décision, en considérant la capitalisation des connaissances (voir la �gure 2.5)

comme, par exemple (Cauvin, 2005).

Les modèles que nous venons de présenter, malgré leurs particularités, possèdent

plusieurs points communs :

� Une analyse du problème à résoudre et de son environnement ;


Figure 2.5: Processus décisionnel de Cauvin (Cauvin, 2005)

� Une recherche d'information sur ce problème a�n de construire des solutions

possibles ;

� Une évaluation de ces solutions, selon des critères de sélection ;

� Une sélection de la solution la plus adaptée, au vu des critères et du problème

considéré ;

� Une application de cette solution ;

� Un suivi et une capitalisation de cette solution après son application.

Ces modèles de processus décisionnel montrent bien la succession d'étapes néces-

saires à une prise de décision et la complexité des activités décisionnelles qui font

appel à di�érents mécanismes.

2.5.3 Processus de décision collaborative

Le processus de décision collaborative traduit le déroulement d'une activité assez

complexe, pour laquelle il est di�cile de trouver une dé�nition consensuelle. Les

modèles de processus existants concernent, pour la plupart, l'activité de concep-

tion. Voici deux exemples suivis d'un autre modèle de décision collective plus

générique.

Kvan et Vera ont proposé un modèle de processus de conception collaborative

(Kvan, 2000). Ils décomposent l'activité de conception en une succession d'étapes


individuelles ou collectives (voir �gure 2.6). Ces auteurs considèrent que les ac-

teurs de la collaboration peuvent travailler individuellement sur des portions du

problème.

Figure 2.6: Modèle du processus de conception collaborative (Kvan, 2000)

Chiu a travaillé également sur les processus de conception collaborative et a pro-

posé un processus cyclique permettant de reboucler tant que l'objectif recherché

n'est pas atteint (Chiu, 2002) comme cela est montré à la �gure 2.7.

Figure 2.7: Modèle du processus de conception collaborative (Chiu, 2002)

Laborie a proposé également un modèle du processus de conception du concept de

salles de décisions collectives appliqué au contexte aéronautique, inspiré notam-

ment du processus de Kvan et Vera mais en lui conférant un caractère plus géné-

rique. Il a décliné le concept de salle selon quatre dimensions : organisationnelle,

humaine, physique et technologique. Ces dimensions permettent de comprendre

le processus de décision collective à partir d'études de cas. Il abstrait un unique

modèle, dé�nissant les phases majeures de la décision collective. L'approche de la


conception d'une salle est ainsi guidée par le modèle qui illustre les aspects princi-

paux (besoins, enjeux) à considérer. Il applique le concept à des cas d'études, au

travers de la conception de salles. Pour cela il a adopté une méthode de concep-

tion itérative et participative, appliquée aux contextes opérationnels. Les � salles

� conçues ont été évaluées dans leurs contextes de décisions collectives respectifs

(Laborie, 2006). Sa représentation du processus de décision collective est résumée

sur la �gure 2.8.

Figure 2.8: Modèle du processus de conception collaborative (Laborie, 2006)

Adla a proposé un processus de prise de décision collective cyclique en trois phases

principales : (1) Pré-décision ; (2) Décision ; et (3) Post-décision (Adla, 2010).

Il permet de remettre en cause la liste des solutions et/ou leur organisation en

s'appuyant sur le modèle de Simon illustré à la �gure 2.9.

2.6 Le travail collaboratif

Le travail collaboratif ne relève pas d'une répartition a priori des rôles. La collabo-

ration s'entend en fait par une situation de travail collectif où tâches et buts sont


Figure 2.9: Modèle du processus de prise de décision collective (Adla, 2010)

communs. Chacun des membres du groupe travaille ainsi sur les mêmes points. Il

va en e�et plutôt s'agir ici de fusionner les contributions individuelles dans l'action.

La responsabilité est donc ici collective et incombe au groupe en tant que totalité.

Ce mode de travail collectif engage par conséquent une communication régulière

entre les membres du groupe et une connaissance précise de la progression de

l'action collective. Les interactions interpersonnelles sont donc permanentes a�n

d'assurer une cohérence globale, condition nécessaire de l'e�cience de l'action et

donc de l'atteinte de l'objectif �xé.

La collaboration dans le cadre d'un travail collectif est donc une modalité d'ac-

tion qui va au-delà de l'action individuelle en s'inscrivant explicitement dans une

dynamique d'action collective.

Les apports individuels n'ont donc de sens que par leur intégration, leur fusion à


tous les autres et non par leur seule juxtaposition. Autrement dit, il s'agit pour

chaque acteur d'un projet d'alimenter ses contributions individuelles par celles

des autres. Le travail collaboratif implique de ce fait un engagement mutuel des

individus dans un e�ort coordonné pour e�ectuer une même tâche, résoudre un

ensemble du même problème. Le travail collaboratif nécessite ainsi des membres

d'une équipe, une plus forte interactivité et requiert plus de motivation.

Le facteur humain (con�ance, motivation, solidarité, respect, etc.) devenant cen-

tral dans ce mode de travail collectif, il peut être parfois plus di�cile à mettre en

÷uvre que dans le cadre d'un travail coopératif. Cela étant dit, ce mode d'action

collaboratif laisse à penser qu'il permet d'atteindre de meilleures performances en

termes de réactivité, d'adaptation à l'inattendu ou encore d'utilisation optimisée

des moyens mis à disposition. Par ailleurs, cette capacité d'un groupe à valoriser

son capital humain participe d'une intelligence collective. En ce sens, le travail

collaboratif incite les individus à mener des activités orientées vers les autres (at-

tention, reformulation et négociation) pour contribuer à un résultat collectif qui est

autre chose que la somme des résultats individuels. Une part du succès de la colla-

boration tiendra notamment à la construction d'une compréhension commune (cf.

conscience de groupe) autour des activités menées et donc de connaissances par-

tagées issues des contributions de chacun des membres de l'équipe projet (Piquet,

2009).

En�n, la collaboration peut être vue comme un processus cyclique qui enchaîne des

sous processus de co-ré�exion, de co-décision, de co-conception, de co-production,

de co-pilotage, de co-apprentissage, etc. (voir la �gure 2.10).


Figure 2.10: Cycle de collaboration (Levan & Vicko�, 2004)

Ce processus cyclique de la collaboration présente ainsi les phases suivantes (Levan

& Vicko�, 2004) :

� La Co-analyse : un travail de diagnostic qui permet à un groupe de comprendre

une situation donnée et de construire un référentiel cognitif ;

� La Co-dé�nition : dans cette phase les interactions collectives permettent au

groupe de formuler l'objectif à atteindre en construisant une vision partagée ;

� La Co-réalisation : la �xation des règles du jeu, la détermination d'un plan

d'action et d'un calendrier pour atteindre l'objectif poursuivi ;

� La Co-évaluation : les formes d'interaction qui permettent à un groupe de ju-

ger des résultats mais aussi de la valeur de la Co-décision et du Co-apprentissage

tout au long du processus.


2.7 Intelligence collective

D'après (H. Simon, 1969), il s'agit d'une phase de recherche d'information, d'inter-

prétation et de � construction d'une vision � de l'environnement à usage collectif.

Selon (Courbon, 1979), on appellera intelligence collective d'une organisation, sa

capacité à dégager des di�érentes visions des activités de cette organisation et

de son insertion dans son environnement (qui sont perçues par les individus et

les groupes) une intersection commune lui permettant de diriger d'une manière

consciente son évolution. En e�et, nous pouvons constater, qu'il existe deux réfé-

rentiels de mise en place de l'intelligence collective liés à la situation. D'une part,

d'une manière quotidienne pour résoudre une situation de travail déjà présente.

D'autre part, d'une manière prévisionnelle, pour résoudre une situation de travail

plani�ée ou imprévue dans le temps et donc à venir.

Ainsi un certain nombre de points semblent faire l'objet d'un consensus et plusieurs

hypothèses émergent : L'intelligence collective est un système, on peut dire que

c'est la somme des intelligences individuelles des membres d'une équipe plus leurs

relations.

� L'intelligence collective est propre à un collectif de travail restreint ;

� L'intelligence collective est un processus. Elle va donc se transformer et évoluer

en di�érents stades ;

� La création de l'intelligence collective est liée à la situation, au contexte de

travail ;

� L'intelligence collective est un indicateur d'e�cacité d'une équipe de travail.

Autre dé�nition de l'intelligence collective : ensemble des capacités de compréhen-

sion, de ré�exion, de décision et d'action d'un collectif de travail restreint issu de

l'interaction entre ses membres et mis en ÷uvre pour faire face à une situation

donnée présente ou à venir complexe (Greselle, 2007).

2.8 Domaines d'application

Avec le développement des NTIC (Nouvelles Technologies de l'Information et de

la Communication), et des besoins, les systèmes collaboratifs sont plus en plus

nécessaires et utilisés (Poyet & Drechsler, 2009). Ils sont appliqués dans nombre

de domaines comme :


� Les jeux, plus particulièrement des jeux en réseaux ;

� Les Work�ows, systèmes qui permettent la coordination. Ce type de système

aide plusieurs participants à gérer un processus de travail ;

� L'enseignement où des systèmes collaboratifs reposent sur des médias et des

technologies du réseau en vue de faciliter l'apprentissage ;

� La communication où systèmes collaboratifs permettent à plusieurs membres

d'un groupe de communiquer et de consulter via des supports audio, vidéos ou

textuels ;

� L'espace de travail partagé où des systèmes collaboratifs fournissent un espace

partagé dans laquelle des participants peuvent manipuler des artefacts ;

� L'échange d'information, et de résultats entre des chercheurs est important pour

le succès d'une action de recherche. Souvent, les chercheurs ne travaillent pas en

un même lieu (parfois, ils se situent dans des pays di�érents). Dans ce contexte,

les systèmes collaboratifs sont un bon moyen pour pallier aux contraintes de

temps et de distances auxquelles chaque chercheur est confronté. Dans les do-

maines de la Télémédecine, de l'E-maintenance et de la simulation, quelques

outils collaboratifs existent.

2.9 Mécanismes pour la collaboration

Le principal objectif des collecticiels est de dé�nir/découvrir de nouvelles utilisa-

tions des technologies informatiques existantes a�n d'améliorer le travail en groupe

selon les deux dimensions l'espace et le temps.

a) L'espace :

Centralisé : les acteurs se trouvent au même endroit ;

Distribué : les participants sont géographiquement répartis sur plusieurs sites.

b) Le temps :

Temps réel : les actions et réactions ont lieu en même temps ;

Asynchrone : les actions et réactions ont lieu à des instants di�érents.

Ces deux critères nous permettent alors de classer les collecticiels en quatre caté-

gories. Les systèmes o�rant des interactions synchrones entre les di�érents parti-

cipants sont appelés systèmes collaboratifs en temps réel (catégories 1 et 3). Ils

permettent à chaque participant de voir instantanément les modi�cations faites


par les autres, même s'ils sont éloignés géographiquement (éditeurs partagés par

exemple).

Dans le cas des systèmes collaboratifs asynchrones (messagerie électronique par

exemple), la propagation des modi�cations e�ectuées par un des participants à ses

collaborateurs peut au contraire prendre un temps relativement important. Cette

classi�cation n'est cependant pas stricte. Un collecticiel peut en e�et appartenir à

plusieurs catégories. C'est le cas par exemple d'un éditeur partagé qui permettrait

une collaboration synchrone entre plusieurs participants, qu'ils soient localisés au

même endroit ou répartis sur des sites di�érents (Piquet, 2009, Lamidieu, 2007)

(voir la table 2.11).

Figure 2.11: Classi�cation selon les critères temps et espace (Lamidieu, 2007)

2.10 Conclusion

La collaboration fait interagir plusieurs membres pour la réalisation de tâches qui

visent à atteindre un but commun. Le travail collaboratif désigne un travail qui

n'est plus fondé sur l'organisation hiérarchisée, et plus spéci�quement un nouveau

mode de travail (éventuellement intégré dans un modèle économique de produc-

tion) où collaborent de nombreuses personnes grâce aux technologies de l'infor-

mation et de la communication. A travers le chapitre suivant nous aborderons les

ontologies et la connaissance.

Chapitre 3

Les Ontologies et la connaissance

3.1 Introduction

Les ontologies sont à l'heure actuelle considérées parmi les modèles les plus évo-

qués en Ingénierie des Connaissances (IC). Visant à établir des représentations à

travers lesquelles les machines puissent manipuler la sémantique des informations,

la construction des ontologies demande à la fois une étude des connaissances hu-

maines et la dé�nition de langages de représentation, ainsi que la réalisation de

systèmes pour les manipuler. Les ontologies participent donc pleinement aux di-

mensions scienti�que et technique de l'Intelligence Arti�cielle (IA).

Au fur et à mesure, l'avancement des méthodologies de construction d'ontologies

et les outils de développement adéquats sont apparus.

Dans ce chapitre, nous donnons les dé�nitions attribuées à la notion d'ontologie,

nous présenterons ses composants ainsi que ses types. Finalement, nous détaillerons

les outils utilisés pour leur développement y compris les langages de spéci�cation.

3.2 Historique

Les années 80 ont vu le développement de nombreux Systèmes Experts (SE) réa-

lisant des tâches variées (exemple : diagnostic, conception, plani�cation, mainte-

nance) dans des domaines également variés (exemple : médecine, ingénieries mé-

canique et électronique, robotique, �nance). L'expérience de leur développement a

29

Chapitre 3. Les Ontologies et la connaissance 30

toutefois montré que la construction d'une base de connaissances est un processus

complexe et nécessitant un temps considérable. Le souhait des développeurs est

dès lors de pouvoir réutiliser et partager des BCs ou, des parties de BCs. Cette

question de la réutilisation et du partage de BCs est donc di�cile et implique plu-

sieurs dimensions. Au début des années 90, des chercheurs réunis au sein du projet

américain � Knowledge Sharing E�ort �, soutenu notamment par la DARPA (De-

fense Advanced Research Projects Agency), décident de s'attaquer au problème

en privilégiant la représentation explicite du sens. Ils nomment � ontologie � une

telle représentation (LIRIS, 2003).

3.3 Les formes des connaissances

Nous donnons dans les sous sections suivantes les di�érentes formes de la connais-

sance (Grundstein et al., 2002, Prax, 2003, 2012).

3.3.1 Di�érence sémantique

Source : une source désigne l'origine humaine d'une information ou l'origine tech-

nique d'une donnée.

� Une source primaire : présente des données ou informations fournis par le

témoin humain ou technique de première main d'un phénomène.

� Une source secondaire : va décrire les sources primaires en y ajoutant des

commentaires, des analyses et une critique de sources primaires.

� Une source tertiaire : est une sélection et une compilation de sources primaires

et secondaires.

Donnée : une donnée est une description élémentaire d'une réalité. C'est par

exemple une observation ou une mesure e�ectuée en fonction d'un étalon de

référence.

Exemple : 19/12/1991.

On divise les données au moins en deux catégories : les données brutes et les

données (ou jeu de données ou data).

Information : les informations font références aux données porteuses de sens.

Elles sont construites en fonction de règles et par interprétation des données

d'un environnement précis. Les informations sont subjectives, c'est-à-dire liées


à l'intention de l'émetteur-sujet de délivrer un message. Dès lors que les infor-

mations qui servent un message, reposent sur des données falsi�ées, on parle

alors de falsi�cation et de désinformation.

Exemple : le lecteur, sait maintenant que la donnée 19121991 est une date, le

19 Décembre 1991.

Connaissance : une connaissance, en gestion des connaissances, correspond à

l'appropriation et l'interprétation des informations par des êtres humains. Elle

peut être formalisée pour être utilisables à des �ns opératoires. Elles sont véri-

�ables et servent l'action.

Le concept de connaissance fait appel aux questions de sens portées notamment

par les notions telles que le langage, la sémantique, les croyances, la conscience.

Pour passer des données, à de l'information et en�n à une connaissance, il faut

e�ectuer un traitement cognitif de ces données.

Exemple de sens attribué à l'information pour en faire une connais-

sance : l'information fournie, sans contexte supplémentaire et comme il ne s'est

rien passé d'historique ce jour là, le lecteur conclut donc que cette date peut être

une date de naissance. Si la date donnée est 05/07/1962, selon les connaissances

du lecteur, il pourrait pensé que c'est une date historique.

Savoir-faire : en gestion des connaissances comme en cognitive industrielle, on

fait aussi la distinction entre l'information, la donnée brute, la connaissance,

qui est la sélection, l'appropriation et l'interprétation des informations par les

hommes, ainsi que � les savoirs �, qui mettent en perspective les connaissances

ponctuelles sur le long terme. L'utilisation des connaissances dans le contexte

d'activité s'appelle donc du savoir-faire (Wikipedia, 2015).

Compétence : les compétences sont les attitudes et aptitudes mobilisables à

une situation concrète a�n de réussir une action ou prendre une décision.

Expertise : est formée par la conceptualisation des savoir-faire, compétences et

d'expérience des di�érentes situations de travail. Elle est faite par un expert qui

consiste non pas à énoncer des vérités mais à mesurer des écarts par rapport à des

normes conventionnellement admises, autrement dit un expert est la personne

qui mesure un écart éventuel par rapport à un cahier des charges normatif.

Communauté : une communauté est un groupe auto-organisé ayant un partage

et une attention sur un sujet, une identité (reconnaissance dans la communauté),

des connaissances en construction et qui se capitalisent.


3.3.2 Di�érences pratiques

Les auteurs (Nonaka & Takeuchi, 1997) distinguent deux types de connaissances :

Connaissances tacites : les connaissances tacites sont les connaissances appar-

tenant aux représentations mentales, profondément ancrées dans les personnes

et leurs vécus. Elles sont généralement di�ciles à � formaliser � par écrit au

contraire des connaissances explicites. Elles ne sont alors plus généralement

transmises de personne à personne, par exemple lors de la transmission de savoir

entre un expert dans un domaine et un apprenti.

En d'autre terme, ce sont les compétences, les expériences, l'intuition, et les tours

de main qu'un individu a acquis et échangés lors d'échanges internes et externes à

l'entreprise. La connaissance tacite se transmet par imitation et imprégnation.

On le sait sans le savoir. On met en ÷uvre des pratiques sans vraiment s'en

rendre compte.

Connaissances explicites : ce sont des connaissances clairement articulées au

niveau d'un document écrit, d'un système informatique, ou d'un automatisme

dans la mémoire d'une machine comme cela est montré à la �gure 3.1.

Figure 3.1: Connaissances explicites et connaissances tacites (Chaton, 2008)


3.4 Gestion des connaissances

La capitalisation des connaissances est une phase critique de la gestion des connais-

sances qui s'emploiera à gérer les activités et les processus destinés à ampli�er

l'utilisation et la création des connaissances au sein de l'organisation. La gestion

des connaissances entend répondre à la problématique de la capitalisation des

connaissances explicites et tacites de l'entreprise, tout en accordant une impor-

tance particulière aux connaissances tacites. C'est une fonction managériale qui

consiste à orienter, organiser, coordonner et contrôler les activités et les processus

destinés à ampli�er l'utilisation et la création des connaissances au sein d'une or-

ganisation (Grundstein, 2002). Elle valorise les connaissances des employés et leur

contribution au développement du capital intellectuel de l'organisation. Il faut no-

ter que la �nalité de la gestion des connaissances, comme le propose (Prax, 2003),

est de � combiner les savoirs et les savoir-faire dans les processus et les produits,

pour créer de la valeur �. Cette valeur est dé�nie par rapport à l'entreprise, son

produit et son marché, et non par rapport à la connaissance. Car la vocation de

l'entreprise n'est pas de produire de la connaissance sauf s'il s'agit d'un centre de

recherche ou de tout autre type d'organisation dont la mission est produire de la

connaissance.

Selon (Grundstein et al., 2002) :En donnant accès aux savoirs et aux savoir-faire

de l'entreprise, en établissant les conditions favorables à l'échange de l'informa-

tion et au partage des connaissances, le � Knowledge Management � contribue à

forger les compétences nécessaires pour faire face aux dé�s de la mondialisation,

de la libération de l'économie et des transformations de l'entreprise en entreprise

étendue.

Il propose de considérer la fonction de gestion des connaissances comme un prisme

constitué de quatre dimensions complémentaires qui sont liées et qui interagissent

entre elles, ces dernières sont illustrées à la �gure 3.2.


Figure 3.2: Le prisme d'analyse du KM (Grundstein et al., 2002)

3.4.1 Processus de gestion de connaissances

L'auteur dans (Ermine, 2001) décrit les processus de gestion de connaissances à

travers le modèle de la marguerite illustrés à la �gure 3.3.

Figure 3.3: Modèle de la marguerite (Ermine, 2001)

Ces processus s'organisent selon un modèle, dit de la marguerite. Ils sont internes,

comme la capitalisation et le partage, ou la créativité et l'apprentissage, et aussi

externes, comme l'intelligence économique ou la veille, qui doit se nourrir des

connaissances internes pour mieux y revenir, ou comme la relation client, le mar-

keting qui agissent comme un �ltre sur les immenses potentialités de création et


d'évolution des connaissances des entreprises. La gestion des connaissances c'est la

gestion de ces processus, et la prise en compte de leur rapport avec le patrimoine

de connaissances de l'entreprise. On peut les décrire en quatre grandes classes, qui

correspondent aux � pétales � de la marguerite, et une classe qui correspond au

c÷ur de ce modèle.

� Le processus d'apprentissage et de Création de connaissances � est un processus

endogène et collectif qui est à la base de l'évolution des connaissances. Il inclut

la problématique de l'organisation apprenante (Learning Organisation) et de la

créativité �,

� Le processus de capitalisation et de partage des connaissances � réalise le cycle

vertueux de la connaissance � et � assure le partage (le � recyclage �) de la

ressource connaissance dans l'entreprise �,

� Le processus d'interaction avec l'environnement transforme les �ux d'informa-

tion provenant de l'environnement de l'entreprise en capital de connaissances.

Il inclut � le processus de veille ou d'intelligence économique ou stratégique

(Business Intelligence) �,

� Le processus de sélection par l'environnement agit comme � un �ltre sur l'im-

mense potentialité de création et d'évolution des connaissances de l'entreprise

�. Il inclut des problématiques de marketing, de relation client, etc.

� En�n, le processus d'évaluation concerne l'évaluation qualitative, quantitative

et �nancière du patrimoine de connaissance.

3.4.2 Objectifs de la gestion de connaissances

Les objectifs de la gestion de connaissances sont multiples, en voici quelques-uns

(Chaton, 2008) :

� Optimiser le partage des connaissances et favoriser les échanges entre les di�é-

rents acteurs ;

� Soutenir l'apprentissage individuel, collectif et organisationnel ; et

� Diminuer le risque de perte des savoirs individuels.

3.4.3 Les formalismes de représentation de connaissances

La représentation des connaissances est un problème qui se pose dans le développe-

ment de tout système sensé manipuler un ensemble de connaissances. Elle consiste


à transcrire des connaissances sous une forme symbolique exploitable par un sys-

tème de raisonnement. Le choix d'une représentation adéquate est fondamental et

détermine toute la suite du développement du système.

Les principaux formalismes de représentation de connaissances utilisés pour le

développement de Systèmes à Base de Connaissances sont (Barr & Feigenbaum,

1981, H, 1985, Dominé, 1988) :

� Représentations logiques permettent de formaliser des propositions logiques

et des relations entre les propositions. La logique mathématique est l'un des pre-

miers formalismes utilisés pour représenter des connaissances dans le domaine de

l'intelligence arti�cielle. Ces représentations incluent la logique des propositions

et la logique des prédicats du premier ordre.

� Règles de production Une règle de production est caractérisée par la for-

mulation SI condition(s) ALORS action(s), qui indique que dans une situation

donnée (véri�cation des prémisses contenues dans la partie gauche de la règle),

certaines conclusions peuvent être inférées ou établies.

� Représentations par objets structurés (les frames) constituent des struc-

tures de données dans lesquelles toute la connaissance relative à un événement

ou à un objet particulier est regroupée ensemble. Un frame peut être décrit

comme un arbre dont la racine est étiquetée par son nom. Le premier niveau de

l'arbre est celui de ses attributs (slots), le second celui des facettes (facets), le

troisième celui des valeurs (values). Les frames sont des structures qui peuvent

être utilisées pour représenter di�érents types d'objets. Ils peuvent être liés les

uns aux autres et organisés hiérarchiquement et ainsi, un frame peut alors hériter

des propriétés d'autres frames positionnés plus haut dans la hiérarchie.

� Réseaux sémantiques ont été introduits pour la première fois dans les tra-

vaux de (Quillian, 1968) sur la modélisation de la mémoire sémantique de l'être

humain. Les réseaux sémantiques, comme les frames, organisent la connaissance

autour des objets à décrire. Les objets sont représentés par des n÷uds dans un

graphe et les relations entre ces objets par des arcs. Un des intérêts principaux

de ce formalisme est la capacité d'atteindre à partir d'un point du réseau toutes

les informations conceptuellement associées à ce point. Les réseaux sémantiques

sont adaptés aux domaines d'expertise dans lesquels les connaissances sont in-

terdépendantes et structurées.

� Représentations procédurales la connaissance est représentée sous forme de

procédures (programme).


3.4.4 Raisonnement à partir de connaissances

3.4.4.1 Dé�nitions du raisonnement

Il existe di�érentes dé�nitions du raisonnement, nous citons ci-dessous quelques-

unes.

� Opération de la pensée qui consiste à enchaîner des jugements logiques et en

tirer des conclusions (Cordial, 2016),

� Un raisonnement, c'est d'abord une certaine activité de l'esprit, une opération

discursive par laquelle on passe de certaines propositions posées comme pré-

misses à une proposition nouvelle, en vertu du lien logique qui l'attache aux

premières : en ce sens, c'est un processus qui se déroule dans la conscience d'un

sujet selon l'ordre du temps (Universalis, 2009),

� Opération mentale fondée sur une logique de la pensée qui permet à l'individu

de construire une conclusion à partir d'éléments divers de connaissance.

� Le raisonnement est selon (Rohrbasser & Véron, 2001) � une combinatoire qui

met en jeu des opérations : conjonction, disjonction, négation, implication, des

incompatibilités, alternative �.

3.4.4.2 Raisonnement à base de cas

Raisonner à partir de cas c'est résoudre le problème cible en s'appuyant sur la

base de cas. Actuellement le modèle le plus communément utilisé pour décrire le

cycle du Raisonnement à base de cas (RBC) est le modèle R5 de (Finnie & Sun,

2003), qui est une version étendue (avec l'ajout de la première étape) du modèle

R4 introduit par (Aamodt & Plaza, 1994). Ce modèle cyclique est illustré sur la

�gure 3.4 avec comme étapes :


Figure 3.4: Le cycle du raisonnement à partir de cas (Finnie & Sun, 2003)

1. Représenter : il s'agit de mettre en forme le problème cible (problème

initial) en vue de la remémoration en complétant sa description à l'aide de

la connaissance du domaine. Plusieurs modes de représentation sont envisa-

geables mais la description sous forme d'un vecteur d'attributs valeurs est la

plus courante ;

2. Remémorer : son objectif est de sélectionner et d'extraire un cas similaire

de la base (appelé cas source) au problème cible. Le point clef de cette étape

est la mesure de similarité. Toutefois le cas le plus similaire n'est pas toujours

le plus facile à réutiliser. Dans ces conditions il convient d'améliorer cette

mesure grâce à des connaissances plus profondes sur les cas en utilisant par

exemple une mesure d'adaptabilité ;

3. Réutiliser : en s'appuyant sur le cas remémoré, la réutilisation cherche à

résoudre le problème cible. Les approches pour adapter Sol(source) à cible

sont nombreuses. La réutilisation peut être aussi triviale que la proposition

directe de Sol(source) comme solution cible, sans aucun changement (utilisé

pour l'aide à la décision ou justi�er un choix par exemple). Mais la plupart du

temps, cette étape d'adaptation cherche à dé�nir l'écart entre les problèmes

source et cible pour ensuite modi�er Sol(source) a�n d'obtenir Sol(cible).

Les méthodes d'adaptation doivent répondre aux deux questions suivantes :

qu'est ce qui devrait être modi�é dans Sol(source) ? Comment ce changement

peut il être réalisé ?

4. Réviser : suite à l'adaptation, Sol(cible) proposée est testée, par simulation

ou expérimentalement, pour véri�er son adéquation et sa pertinence par


rapport à cible. En cas de test négatif, la solution est corrigée pour éliminer

les dernières divergences. A noter que ces étapes de test et de réparation

peuvent faire partie intégrante de l'adaptation.

5. Retenir (mémoriser) : s'il est opportun (apport d'une valeur ajoutée à

la base de cas), le nouveau cas est stocké dans la base. Cette étape fait du

RBC un système auto apprenant, ce qui lui confère l'avantage d'étendre sa

couverture de l'espace des problèmes possibles et d'accroître son e�cacité.

3.4.4.3 Di�érences entre le RBC et les autres types de raisonnement

Le RBC est connu pour être supérieur au raisonnement basé sur les règles et au

raisonnement basé sur les modèles. Nous allons comparer dans cette section le

RBC à trois formes de raisonnement (Bichindaritz, 1994).

1. Le RBC et le raisonnement à base de modèles (RBM) : Le RBC et

le raisonnement à base de modèle ont été développés pour éviter de raisonner

à partir de zéro. La dé�nition du raisonnement à base de modèles est comme

suit.

Le raisonnement à partir de modèle est un raisonnement utilisant un mo-

dèle d'un système réel représenté au moyen d'une formalisation appropriée

de telle sorte que le comportement du modèle est similaire à celui du système

sous les conditions attendues. Le raisonnement à partir de modèle doit donc

reproduire le comportement du système qu'il représente .

Les di�érences fondamentales qui existent entre RBC et RMB sont : le RMB

est applicable quand un modèle causal existe ; un RMB utilise un modèle

causal. Alors que dans le RBC, les cas en mémoire décrivent comment les

choses fonctionnent ; le RMB permet de véri�er les solutions, mais ne génère

pas la solution ; le RBC permet de générer des solutions.

2. Le RBC et le raisonnement à base de règles (RBR) : au lieu d'uti-

liser et d'interpréter à chaque fois un ensemble de règles pour trouver une

solution, il est plus naturel de mémoriser les problèmes (avec leurs solutions,

et (avec) éventuellement des informations sur les di�cultés rencontrées ainsi

que comment elles ont été résolues), et utiliser ces solutions pour de nouvelles

situations.


Les di�érences fondamentales qui existent entre ces deux types de raison-

nement sont : dans le raisonnement à base de règles les connaissances de

l'expert doivent être codées sous forme de règles, mais dans le raisonnement

à base de cas, la plupart des connaissances sont sous forme de cas. Dans

le RBR l'accent est mis sur le mécanisme de raisonnement, alors que dans

le RBC l'intérêt majeur porte sur le contenu des cas. Le RBR explique son

raisonnement par la chaîne de règles actives, alors que le RBC justi�e son

raisonnement en montrant le ou les cas similaires à partir desquels la solution

a été dérivée.

3. Le RBC et le raisonnement par analogie : nous avons déjà souligné

que le raisonnement à base de cas est un cas particulier de raisonnement

par analogie dont la source et la cible appartiennent à un même domaine.

Une description possible du rapport entre RBC et analogie est (Leake, 1996)

RBC = Recherche + Analogie + Adaptation + Apprentissage.

Les di�érences fondamentales qui existent entre ces deux types de raisonne-

ment sont : le raisonnement par analogie s'intéresse aux inférences réalisées,

mais le RBC s'intéresse généralement à la mémoire. Dans le raisonnement

par analogie, la mémoire n'est pas structurée tandis que dans le RBC, elle est

structurée. Le RBC résout donc des di�cultés du raisonnement par analogie.

II complète ce mode de raisonnement par un mécanisme de mémorisation et

d'extraction d'expériences.

3.4.4.4 Les principaux domaines d'utilisation du RBC

Le RBC est une technique qui a rencontré beaucoup de succès dans plusieurs do-

maines d'application. Les domaines qui béné�cient du RBC sont : la plani�cation,

la conception, l'analyse �nancière, la maintenance technique, la gestion du risque,

le contrôle de processus, etc. Nous explorerons certaines de ces utilisations dans

ce qui suit.

1. La résolution de problèmes : la résolution de problèmes est le plus sou-

vent présente, même si ce n'est que implicitement, dans les systèmes utilisant

le raisonnement a base de cas. En e�et, mettre à pro�t une expérience passée

pour résoudre un nouveau problème est une démarche très courante. Le RBC

a été appliqué à une grande variété de tâches de résolution des problèmes,


y compris la plani�cation, le diagnostic et la conception. Plusieurs systèmes

ont été conçus pour accomplir ces tâches. Les systèmes PROTOS (Bareiss,

2014) et CASEY (Koton, 1988) ont été par exemple, construits pour faire le

diagnostic, le système CHEF (Planning, 1989, Hammond, 1986) pour la pla-

ni�cation, CLAVlER (Hennessy & Hinkle, 1992). CADET (Sycara, 1988) et

JULIA (Hinrichs & Kolodner, 1991) ont été construits pour faire la concep-

tion basée sur des cas.

2. L'interprétation de problèmes : cette approche consiste à expliquer un

phénomène en se rappelant un phénomène similaire en empruntant ses ex-

plications et en les adaptant. La méthode raisonne à partir d'expériences

antérieures en tentant de chercher des éléments d'explication pour les sug-

gérer à la situation nouvelle. Cette approche est très utilisée en droit et chez

l'humain en général (exemple : le système HYPO (Ashley, 1991). Elle est

également utilisée pour des tâches telles que classi�er une nouvelle situation

dans le contexte. PROTOS, par exemple fait la classi�cation en essayant de

trouver le cas le plus assorti dans sa base de cas.

3. L'apprentissage : le raisonnement à base de cas joue un rôle important

dans l'apprentissage automatique des connaissances. En apprentissage, l'ac-

quisition de nouveaux faits ayant une forte similitude avec des connaissances

existantes permet de s'adapter à de nouvelles situations grâce a des situa-

tions déjà rencontrées. En fait, de nombreux travaux relatifs au raisonnement

à base de cas comportent un volet sur l'apprentissage. Il est a noter que le

RBC est un cas particulier de l'apprentissage par analogie. Les systèmes CE-

LIA (Barr & Feigenbaum, 1981), CHEF (Planning, 1989), HYPO (Ashley,

1991) et DECIDER(Farrell, 1987) utilisent cette approche.

3.5 Dé�nitions d'ontologie

Avant son introduction en intelligence arti�cielle, le terme d'ontologie était déjà

utilisé en philosophie depuis le XIXième siècle. Dans ce domaine, l'ontologie dé-

signe l'étude de ce qui existe, c'est à dire l'ensemble des connaissances que l'on

a sur le monde. En IA, de façon moins ambitieuse, on ne considère que des on-

tologies, relatives aux di�érents domaines de connaissances. Cependant il existe

plusieurs dé�nitions de l'ontologie, dans ce qui suit, nous donnerons ces dé�nitions

selon l'ordre chronologique de leur apparition.


3.5.1 Dé�nition de (Neches et al., 1991)

� Une ontologie dé�nit les termes et les relations de bases qui composent le voca-

bulaire d'un domaine, bien que les règles de combinaison des termes et les relations

pour dé�nir l'extension du vocabulaire �. Quelques années après, est venue la dé-

�nition de Gruber.

3.5.2 Dé�nition de (Gruber, 1993)

� Une ontologie est une spéci�cation explicite d'une conceptualisation �. Le terme

conceptualisation réfère à un modèle abstrait d'un certain phénomène de la réalité

et qui permet d'identi�er les concepts pertinents de ce phénomène. Le terme expli-

cite signi�e que le type des concepts utilisés est réellement dé�nie d'une manière

claire et précise.

3.5.3 Dé�nition de (Borst, 1997)

� Une ontologie est une spéci�cation formelle d'une conceptualisation partagée �.

Les deux dernières dé�nitions ont été fusionnées par Studer pour avoir la dé�nition

suivante.

3.5.4 Dé�nition de (Studer et al., 1998)

� Une ontologie est une spéci�cation formelle et explicite d'une conceptualisation

partagée �.

3.5.5 Dé�nition de (Kitamura et al., 2002)

� L'ontologie est la connaissance de base de n'importe quelle base de connais-

sance �.


3.5.6 Dé�nition de (Bechhofer et al., 2003)

Ils dé�nissent l'ontologie comme un artefact de l'ingénierie constituée par un voca-

bulaire spéci�que, elle est utilisée pour décrire une certaine réalité et un ensemble

d'hypothèses explicites sur le sens voulu du vocabulaire. Ainsi, une ontologie dé-

crit une spéci�cation formelle d'un certain domaine, elle en est une compréhension

partagée et un modèle formel et manipulable par une machine.

3.5.7 Dé�nition de (Roche, 2005)

Dé�nie pour un objectif donné et un domaine particulier, une ontologie est pour

l'ingénierie des connaissances une représentation d'une modélisation d'un domaine

partagée par une communauté d'agents.

Tout en étant un objet informatique dé�ni à l'aide d'un formalisme de représenta-

tion, une ontologie se compose principalement d'un ensemble de concepts dé�nis

en compréhension de relation et de propriétés logiques.

3.5.8 Dé�nition de (Aussenac-Gilles et al., 2006)

Spéci�cation normalisée représentant les classes des objets reconnus comme exis-

tant dans le domaine. Construire une ontologie, c'est encore décider d'être et d'exis-

ter par les objets.

3.5.9 Dé�nition de (Gruber, 2007)

Dans le contexte de l'informatique et des sciences de l'information, une ontologie

dé�nit un ensemble de primitives de représentation pour modéliser un domaine de

connaissance. Les primitives de représentation sont généralement des classes (ou

des ensembles), des attributs (ou des propriétés), et des relations (ou des liens qui

relient des éléments de classe).


Du fait de leur indépendance par rapport aux modèles de données de niveau in-

férieur, les ontologies sont utilisées pour l'intégration de bases de données hétéro-

gènes, permettant une interopérabilité entre des systèmes disparates, et la spéci�-

cation d'interfaces de services indépendants de la connaissance. Dans les standards

du Web sémantique, les ontologies représentent explicitement une couche.

3.5.10 Dé�nition de (Nordmann, 2009)

� Les ontologies sont un concept théorique en sciences de l'information destiné à

représenter formellement des connaissances dans un logiciel capable de les traiter et

de raisonner avec. Souvent aussi la lisibilité pour l'homme est un aspect central �.

3.6 Cycle de vie d'une ontologie

Puisque les ontologies sont destinées à être utilisées comme des composants lo-

giciels dans des systèmes répondant à des objectifs opérationnels di�érents, leur

développement doit s'appuyer sur les mêmes principes que ceux appliqués en gé-

nie logiciel. Ainsi, les ontologies doivent être considérées comme des objets tech-

niques évolutifs et possédants un cycle de vie qui nécessite d'être précisé. Dans ce

contexte, les activités liées aux ontologies sont, d'une part, des activités de gestion

de projet (plani�cation, contrôle, assurance qualité), et d'autre part, des activités

de développement (spéci�cation, conceptualisation, formalisation) ; s'y ajoutent

des activités transversales de support telles que l'évaluation, la documentation, la

gestion de la con�guration (Blázquez et al., 1998). Un cycle de vie inspiré du génie

logiciel est proposé dans (Dieng et al., 2001). Nous l'avons adapté à nos besoins

et proposons notre vision du cycle de vie d'une ontologie voir la �gure 3.5. Il com-

prend une étape initiale de détection et de spéci�cation des besoins qui permet

notamment de circonscrire précisément le domaine de connaissances, une étape

de conception qui se subdivise en trois phases, une étape de déploiement et de

di�usion, une étape d'utilisation, une étape incontournable, d'évaluation, et en�n,

une sixième étape consacrée à l'évolution et à la maintenance du modèle. Après

chaque utilisation signi�cative, l'ontologie et les besoins doivent être réévalués et

l'ontologie peut être étendue et, si nécessaire, en partie reconstruite. La valida-

tion du modèle de connaissances est au centre du processus et se fait de manière

itérative (Fürst, 2002).


Figure 3.5: Cycle de vie d'une ontologie (Fürst, 2002)

3.7 Les constituants de l'ontologie

� Une ontologie peut prendre une variété de formes, mais nécessairement elle

inclura un vocabulaire des termes, et des spéci�cations de leurs signi�cations �

(Hovy, 1998). Elle inclut les dé�nitions et une indication de la façon dont les

concepts sont reliés, qui imposent collectivement une structure au domaine et

contraignent les interprétations possibles des termes. Dans cette section, nous

nous occupons uniquement des composants de l'ontologie en Ingénierie de Connais-

sances et en Intelligence Arti�cielle (Gkoutos et al., 2004, Fürst, 2002).

Nous pouvons récapituler les composants primaires d'une ontologie comme suit :

� Les concepts : aussi appelés termes ou classes de l'ontologie. Un concept peut

représenter un objet matériel, une notion ou une idée, ils constituent les objets de

base manipulés par les ontologies et correspondent aux abstractions pertinentes

du domaine du problème.

� Les relations : traduisent les interactions existent entre les concepts. Des rela-

tions comme les relations de spéci�cation (subsomption), de composition, d'ins-

tanciation, etc. sont dé�nies entre les concepts.


� Les fonctions : sont des cas particuliers de relations dans lesquelles le nième

élément de la relation est dé�nie de manière unique à partir des (n-1) i ème

éléments précédents.

� Les axiomes ou règles d'inférence : permettent de modéliser des assertions

toujours vraies à propos des abstractions du domaine traduites par l'ontologie.

Ils permettent aussi de combiner des concepts, des relations, des fonctions pour

dé�nir des règles d'inférences. Ces axiomes peuvent intervenir dans la déduction

ainsi que la dé�nition des relations, de concepts, sont spéci�ques aux ontologies

et les distinguent des thésaurus, qui ne représentent que des terminologies alors

que les ontologies intègrent des connaissances au sens large.

� Les instances : (encore appelées individus)représentent des éléments singuliers

véhiculant les connaissances à propos du domaine du problème.

3.7.1 Propriétés des concepts

Un concept est généralement dé�ni par un ou plusieurs termes, une intention et

une extension. Le terme (le nom) correspond à l'identité du concept, l'intention (la

notion) du concept contient la sémantique de concepts exprimée en termes de pro-

priétés, d'attributs, de règles et de contraintes. L'extension (ensemble d'objets) du

concept regroupe les objets manipulés à travers le concept ; ces objets sont appelés

instances du concept Un concept est caractérisé par un ensemble de propriétés qui

peuvent porter aussi bien sur l'extension que sur l'intention. Les plus intéressantes

sont :

� La généricité : concept est générique s'il n'admet pas d'extension.

� L'identité : un concept porte une propriété d'identité si cette propriété permet

de di�érencier deux instances de ce concept. Par exemple, dans un système

de gestion de �chier, un nom désigne d'une manière unique un �chier ou un

répertoire. Le nom est une identité du �chier ou répertoire.

� La rigidité : un concept est rigide s'il ne peut pas être une instance d'autres

concepts. Par exemple, l'être vivant est un concept rigide, mais un � être humain

� n'est pas un concept rigide, car l'humain est une instance du concept � être

vivant �.

� L'anti-rigidité : un concept est anti-rigide s'il peut être une instance pour

d'autres concepts.


En plus de ces propriétés, d'autres propriétés inter-concepts portent sur des pro-

priétés extrinsèques aux concepts, elles sont principalement :

� L'équivalence : deux concepts sont équivalents s'ils ont la même extension.

� La disjonction : deux concepts sont disjoints ou incompatibles si leurs exten-

sions sont disjointes.

� La dépendance : un concept est dépendant d'un autre concept si les instances

du premier sont dépendantes des instances de l'autre.

3.7.2 Propriétés de relations

Comme les concepts, les relations sont aussi menées des propriétés. Elles sont

principalement les propriétés intrinsèques, les propriétés interrelations et les pro-

priétés liant une relation et un concept : les propriétés intrinsèques à une relation

permettent de décrire une relation. Nous distinguons :

� Les propriétés algébriques : la symétrie, la ré�exivité et la transitivité ;

� La cardinalité : le nombre de participations possibles d'une instance d'un

concept dans une relation.

3.7.3 Les propriétés interrelations

Portant sur plusieurs relations, elles peuvent être :

� L'incompatibilité : deux relations sont incompatibles si elles ne peuvent pas

lier les mêmes instances d'un concept ;

� L'inverse : deux relations sont inverses l'une de l'autre si la liaison est faites

dans les deux sens.

3.7.4 Les propriétés liant une relation et un concept

� Le lien relationnel : il existe un lien relationnel entre une relation R et deux

concepts C1 et C2 si, pour tout couple d'instances des concepts C1 et C2, il

existe une relation de type R qui lie les deux instances de C1 et C2.

� La restriction de relation : pour tout concept de type C1 et pour toute

relation de type R liant C1, les autres concepts liés par la relation sont d'un

type imposé.


3.8 Les typologies des ontologies

Il existe de nombreuses sortes d'ontologies, destinées à des utilisations très variées.

L'un des problèmes fréquemment rencontrés par les utilisateurs potentiels d'onto-

logies, est celui de la diversité des appellations de ces ontologies (et des �nalités

sous-jacentes). C'est pourquoi il nous semble important d'expliciter les termes em-

ployés. Dans cette section nous allons donner la classi�cation des ontologies selon

leur objet de conceptualisation d'après les références bibliographiques.

3.8.1 Ontologie de représentation des connaissances

Ce type d'ontologies regroupe les concepts (primitives de représentation) impliqués

dans la formalisation des connaissances. Un exemple est l'ontologie de Frame qui

intègre les primitives de représentation des langages à base de frames : classes,

instances, facettes, propriétés/slots, relations, restrictions, valeurs permises, etc.

(López et al., 1999, Pinto et al., 1999, Van Heijst et al., 1997).

3.8.2 Ontologie supérieure ou de haut niveau

Cette ontologie est une ontologie générale. Son sujet est l'étude des catégories

des choses qui existent dans le monde, soit les concepts de haute abstraction tels

que : les entités, les événements, les états, les processus, les actions, le temps,

l'espace, les relations, les propriétés. L'ontologie de haut niveau est fondée sur :

la théorie de l'identité et la théorie de la dépendance. Les auteurs ont poursuivi

chacun indépendamment des recherches sur la théorie de l'ontologie. Tous deux

intègrent les fondements philosophiques comme étant des principes à suivre pour

concevoir l'ontologie de haut niveau ou supérieure. Sowa introduit deux concepts

importants, Continuant et Occurrent, et obtient douze catégories supérieures en

combinant sept propriétés primitives. L'ontologie supérieure de Guarino consiste

en deux mondes : une ontologie des Particuliers (choses qui existent dans le monde)

et une ontologie des Universels comprenant les concepts nécessaires à décrire les

Particuliers. La conformité aux principes de l'ontologie supérieure a son impor-

tance, lorsque le but est de standardiser la conception des ontologies (Guarino,

1997, Sowa, 1995b,a).


3.8.3 Ontologie Générique

Cette ontologie aussi appelée, méta-ontologies ou core ontologies, véhicule des

connaissances génériques moins abstraites que celles véhiculées par l'ontologie de

haut niveau, mais assez générales néanmoins pour être réutilisées à travers di�é-

rents domaines. Elle peut adresser des connaissances factuelles (Generic domain

ontology) ou encore des connaissances visant à résoudre des problèmes génériques

(connaissances procédurales) appartenant à ou réutilisables à travers di�érents do-

maines (Generic task ontoloy) (López et al., 1999, Pinto et al., 1999). WordNet

(J.-A. Miller, 1988) par exemple est une ontologie dont le but est de représenter

la langue naturelle anglaise. WordNet est un système de références lexicales dont

la conception a été inspirée par les théories de la mémoire linguistique humaine.

Elle est composée d'ensembles de synonymes appelés synsets, où chaque terme est

regroupé en classes d'équivalence sémantique. Chaque ensemble de synonymes re-

présente un concept particulier. Chaque terme appartient de plus à une catégorie

lexicale donnée (nom, verbe, adverbe, adjectif). Un terme peut appartenir à plu-

sieurs synsets et à plusieurs catégories lexicales. Les ensembles de synonymes sont

associés par des relations sémantiques : généricité/spéci�cité, antonymie (relation

entre ensembles de mots qui, par leur sens, s'opposent). WordNet couvre le do-

maine de la langue générale en intégrant le sens des mots dans di�érents domaines

(Sowa, 1995b).

3.8.4 Ontologie du Domaine

Cette ontologie régit un ensemble de vocabulaires et de concepts qui décrit un do-

maine d'application ou monde cible. Elle permet de créer des modèles d'objets du

monde cible. L'ontologie du domaine est une méta-description d'une représenta-

tion des connaissances, c'est-à dire une sorte de méta-modèle de connaissance dont

les concepts et propriétés sont de type déclaratif. La plupart des ontologies exis-

tantes sont des ontologies du domaine. Selon Mizoguchi, l'ontologie du domaine

caractérise la connaissance du domaine où la tâche est réalisée. Dans le contexte

de la formation, un domaine serait par exemple : la pédagogie (Mizoguchi et al.,

2000).


3.8.5 Ontologie de Tâches

Ce type d'ontologies est utilisé pour conceptualiser des tâches spéci�ques dans

les systèmes, telles que les tâches de diagnostic, de plani�cation, de conception,

de con�guration, de tutorat, soit tout ce qui concerne la résolution de problèmes.

Elle régit un ensemble de vocabulaires et de concepts qui décrit une structure

de résolution des problèmes inhérente aux tâches et indépendante du domaine.

Selon (Mizoguchi et al., 2000), l'ontologie de tâche caractérise l'architecture com-

putationnelle d'un système à base de connaissances qui réalise une tâche. Deux

exemples d'utilisation de l'ontologie de tâche dans le domaine de l'éducation sont

les suivants :

1. L'ontologie de formation par ordinateur Computer Based Training Ontology

qui régit un ensemble de concepts spéci�ques à un système d'apprentissage

inhérent à des ontologies de tâche (Jin et al., 1999) ;

2. L'ontologie des objectifs d'apprentissage Learning Goal Ontology qui décrit

les rôles des apprenants et des agents dans le cadre d'un apprentissage col-

laboratif (Inaba et al., 2000).

3.8.6 Ontologie d'application

Cette ontologie est la plus spéci�que. Les concepts dans l'ontologie d'application

correspondent souvent aux rôles joués par les entités du domaine tout en exécutant

une certaine activité. Par exemple on a l'ontologie d'application pour l'apprentis-

sage des statistiques, ou encore pour e�ectuer des recherches dans le domaine de

l'astronomie, etc. Ce type d'ontologie est rarement réutilisable du fait qu'il est

spéci�que à une tâche donnée d'un domaine spéci�que (Maedche & Staab, 2002).

3.9 Principe de construction des ontologies

La construction des ontologies est une tâche très complexe, impliquant plusieurs

acteurs, diverses connaissances et formalismes. A�n de maîtriser cette complexité,

la mise en place d'une méthodologie peut se révéler nécessaire. L'utilisation d'une

méthodologie a pour objectif de rationaliser et d'optimiser le processus de déve-

loppement dans le sens où ce processus permet de réduire les délais et les coûts


ainsi que l'amélioration de la qualité du processus et du produit de développement.

Parmi les principes qui ont été proposés dans la littérature a�n de mieux guider

la construction des ontologies. Il s'agit essentiellement, des principes de (Gruber,

1993), nous citons :

� Clarté et objectivité : l'ontologie devrait fournir des dé�nitions claires et

objectives pour les termes, indépendantes de tout choix d'implémentation.

� Cohérence : les raisonnements construits à partir des axiomes d'une ontologie

ne doivent pas aboutir à des contradictions.

� Extensibilité : c'est à dire la possibilité d'étendre l'ontologie sans modi�cation.

� Le biais d'encodage minimum : la spéci�cation de l'ontologie doit être aussi

indépendante que possible d'un métalangage particulier de représentation.

� L'engagement ontologique minimal : l'objectif est de permettre la spécia-

lisation des spéci�cations d'une ontologie donnée selon des besoins réels.

3.10 Construction d'une ontologie

Quelque soient le type d'une ontologie, ses objectifs ou son domaine, sa construc-

tion passe par une suite d'étapes que nous présentons dans les sections suivantes

(Flety & De Sede, 2009).

3.10.1 L'identi�cation des besoins

Il s'agit d'établir un cahier de charge qui résume les besoins et qui servira par

la suite de repère lors de l'évaluation de l'ontologie dans le but d'e�ectuer les

correctifs nécessaires à travers des retours arrière aux étapes de la construction.

3.10.2 La collecte et la dé�nition des éléments constructifs

de l'ontologie

En conséquence de l'hétérogénéité des sens du terme ontologie, une première étape

nécessaire consiste à constituer une dé�nition partagée du terme � ontologie � ainsi

que des notions utilisées pour cette dé�nition (concepts, termes, etc.). Une des


propositions est celle de (Smith, 2004, Gandon, 2002) sous forme de clari�cation

des notions de � concepts � et � termes � :

L'expert du domaine joue un rôle aussi grand dans cette étape que dans la précé-

dente. En e�et, les experts représentent à la fois des sources d'informations et de

points de vues permettant d'adapter au mieux le sens de l'ontologie au domaine

en question.

3.10.3 La séparation des concepts, des termes et des rela-

tions

Une fois la collecte et la dé�nition e�ectuées, une étape de séparation est nécessaire

a�n de déterminer les termes, les concepts ainsi que les attributs et d'établir les

relations entre ces éléments. Les approches méthodologiques proposées pour l'étape

de séparation sont remarquablement di�érentes, mais elles s'inspirent généralement

de deux grandes approches (Gandon, 2002).

� La bottom-up : basée sur la généralisation à partir d'instances spéci�ques

(descendante) ;

� La top-down : démarre des concepts génériques pour arriver aux instances

spéci�ques (ascendante).

Les instances spéci�ques et les concepts génériques proviennent, à leurs tours, de

sources di�érentes qui peuvent être classées en trois entrées principales :

� Les ressources textuelles (dictionnaires, glossaires, textes) ;

� Les modèles conceptuels déjà e�ectués ;

� Le réinvestissement des ontologies existantes.

L'utilisation de chacune de ces trois entrées sera accompagnée d'une méthodologie

spéci�que.

3.10.4 La structuration et la représentation de l'ontologie

De manière générale, la construction de l'ontologie suivra, par la suite, deux étapes

principales (Flety & De Sede, 2009) :

� L'acquisition et la modélisation des connaissances, autrement dit, construire et

structurer une spéci�cation, en langage naturel, de l'ontologie.


� La représentation de ces connaissances a pour but de coder l'ontologie obtenue

et passer donc du langage naturel à un formalisme particulier (dépend du cas

en question et des choix du programmeur).

Ces deux étapes peuvent être subdivisées selon le problème en question et la com-

plexité de représentations des connaissances.

3.10.5 L'évaluation et le feedback

Le résultat de l'étape de représentation est une ontologie prête à l'utilisation mais

avant cela, l'ontologie passe par plusieurs opérations d'évaluation a�n de véri�er

sa conformité avec le cahier de charge établie au préalable. Les correctifs issus des

évaluations sont e�ectués selon leurs type en faisant des retours arrière aux étapes

de construction correspondantes.

3.11 Langages et outils de développement d'onto-

logie

Au �l des années, l'utilisation des ontologies en ingénierie des connaissances a

connu di�érents langages et outils. Nous nous concentrons dans cette section sur

les langages orientés Web Sémantique. La raison de ce choix est que ces langages

sont ou ont été pour la plupart recommandés par le W3C et des outils d'éditions

et de visualisation.

3.11.1 Les langages

Nous citons ci-dessous les di�érents langages utilisés pour développer une ontolo-

gie.

� RDF (Resource Description Framework) : permet d'encoder, d'échanger

et de réutiliser des méta-données structurées. Il a été créé pour gérer les méta-

données de documents XMLmais peut également être utilisé pour des ontologies.

Il permet de dé�nir des ressources avec des propriétés et des états (Lassila &

Swick, 1999).


� RDF-Schéma : dé�nit les relations entre ces ressources. Cependant, Le pou-

voir sémantique de ces deux langages est limité car les axiomes ne peuvent pas

être directement décrits. Le type des relations (symétrique, transitive, etc.) ne

peut être spéci�é. En conséquence, un nouveau langage, OWL (Web Ontology

Language), est apparu (Lassila & Swick, 1999).

� OWL (Web Ontology Language) : est apparu plus tard. C'est une expres-

sion XML fondé sur une syntaxe RDF. Il fournit les moyens pour dé�nir des

ontologies Web structurées. Il se di�érencie du couple RDF/RDFS par le fait que

c'est un langage d'ontologies, contrairement à RDF. Si RDF et RDFS apportent

à l'utilisateur la capacité de décrire des classes et des propriétés, OWL intègre,

en plus, des constructeurs de comparaison des propriétés et des classes : iden-

tité, équivalence, cardinalité, symétrie, transitivité, disjonction, etc. Ainsi, OWL

o�re aux machines une plus grande capacité d'interprétation du contenu Web

que RDF et RDFS, grâce à un vocabulaire plus large et à une vraie sémantique

formelle (McGuinness et al., 2004).

� OIL (Ontology Inference Layer) : est à la fois un langage de représentation

et d'échange pour les ontologies. Il combine les primitives des langages reposant

sur les frames avec une sémantique formelle et des possibilités de raisonnement

issues de la logique de description. Pour être utilisé sur le Web, il repose sur

les standards RDF(S) et XML. La description de l'ontologie est divisée en trois

couches : la couche objet (instances concrètes), la couche de premier méta-

niveau (dé�nition de l'ontologie) et la couche de second méta niveau (dé�nition

des caractéristiques de l'ontologie) (Decker et al., 2000).

� SHOE (Simple HTML Ontology Extensions) : est une extension de HTML

qui permet de rajouter de la sémantique dans ce type de documents. Il permet

de dé�nir des primitives pour spéci�er et étendre les ontologies et annoter les

documents Web. Chaque page déclare quelle ontologie elle utilise. L'inconvénient

de ce langage est que les annotations des documents sont stockées à leur niveau

et ne peuvent être centralisées (Luke & He�in, 2000).

� DAML+OIL : a été proposé par le W3C pour représenter des méta-données et

des ontologies. DAML a été transformé en DAML+OIL en intégrant certaines

propriétés d'OIL. Il repose sur RDF et RDF schéma et fournit en plus des

primitives plus riches issues de la logique de description. Les frames dé�nis dans

OIL ont été pour la plupart supprimées et remplacées par les assertions faites

à l'aide d'un ensemble limité d'axiomes (Decker et al., 2000, Horrocks & Patel-

Schneider, 2001).


3.11.2 Les outils de développement

Parmi les outils de développement d'ontologies, nous citons :

� ONTOLINGUA : le serveur Ontolingua est le plus connu des environnements

de construction des ontologies. Il consiste en un ensemble d'outils et de services

qui supportent la construction en coopération des ontologies, par des groupes

séparés géographiquement. Le langage ontologique utilisé dans Ontolingua est

KIF (Farquhar et al., 1996).

� PROTEGE : est un environnement graphique de développement d'ontologie

le plus utilisé pour construire les ontologies avec multiples langages. C'est un

logiciel libre d'utilisation et support le modèle de frames qui contient des classes,

des slots (attributs) et des facettes (valeurs des propriétés et contraintes) ainsi

que des instances des classes et des propriétés pour permettre le contrôle et

la visualisation d'ontologies. Il regroupe aujourd'hui une communauté d'utilisa-

teurs assez importante et constitue une référence pour beaucoup d'autres outils.

Protégé est un éditeur ontologique pour les di�érents langages à savoir RDF,

RDFS et OWL (Stanford-University, 2007).

3.12 Conclusion

Dans ce chapitre, nous avons survolé les dé�nitions les plus importantes de la

notion d'ontologie selon la perception de diverses disciplines. Ensuite nous avons

classé les di�érents types d'ontologie dans des catégories comme : l'ontologie de

représentation des connaissances, l'ontologie supérieure, etc. Nous avons donné les

di�érents constituants d'une ontologie ainsi que leurs usages. En�n, nous avons

analysé les approches existantes de conception d'ontologie. Dans le chapitre sui-

vant, nous aborderons la notion du Web et nous donnerons les di�érents outils de

collaboration.

Chapitre 4

Le Web et les outils de collaboration

4.1 Introduction

Le Web est sans nul doute une technologie majeure du 21 ème siècle. Si sa nature,

sa structure et son utilisation ont évolué au cours du temps, force est de constater

que cette évolution a également profondément modi�é nos pratiques commerciales

et sociales.

Pour mieux comprendre les enjeux et les di�érentes phases de cette évolution,

nous donnons une synthèse, qui devrait fournir quelques clés de compréhension.

Nous présenterons une vue globale de l'évolution du Web et son utilisation pour

le déploiement des outils de collaboration.

4.2 Les concepts de base du Web

Le Web fait appel à un certain nombre de concepts de base. Nous verrons les plus

importants dans ce qui suit.

4.2.1 WWW (Word Wide Web)

Le concept du Web (� la toile � en français) repose sur la notion d'hypermédia,

c'est à dire la réunion de documents multimédia (texte, son, image, etc.) par

l'intermédiaire de liens préétablis. Le protocole utilisé est le Hyper Text Transfer

56

Chapitre 4. Le Web et les outils de collaboration 57

Protocol (HTTP). Ce dernier permet de transférer à partir d'un serveur Web des

pages écrites dans le langage de programmation Hyper Text Markup Language

(HTML). Pour exploiter l'hypertexte et ainsi passer facilement de pages en pages

situées sur des serveurs répartis dans le monde, l'utilisateur doit disposer dans sa

machine d'un logiciel dit � navigateur �, le plus souvent gratuit et déjà intégré

au système d'exploitation de l'ordinateur. Ce logiciel permet de localiser les pages

Web et par extension toute ressource disponible sur Internet grâce à son adresse

textuelle nommée Uniform Ressource Locator (URL). De nombreux logiciels de

navigation sont ainsi capables d'accéder non seulement à la toile mais également

aux autres services de l'Internet ; ainsi, certains serveurs Web peuvent proposer

une fonction � messagerie électronique � au sein de leurs pages (Web mail) ou une

fonction � groupe de discussion � (L'internaute.com, 2016).

4.2.2 URL (Uniform Resource Locator)

Une URL (Uniform Resource Locator) est un format de nommage universel pour

désigner une ressource sur Internet. Il s'agit d'une chaîne de caractères ASCII

imprimables qui se décompose en cinq parties (Pillou, 2016d)

� Le nom du protocole : c'est-à-dire en quelque sorte le langage utilisé pour

communiquer sur le réseau. Le protocole le plus largement utilisé est le protocole

HTTP (HyperText Transfer Protocol), le protocole permettant d'échanger des

pages Web au format HTML. De nombreux autres protocoles sont toutefois

utilisables (FTP, News, Mailto, Gopher,etc).

� Identi�ant et mot de passe : permet de spéci�er les paramètres d'accès à

un serveur sécurisé. Cette option est déconseillée car le mot de passe est visible

dans l'URL.

� Le nom du serveur : il s'agit d'un nom de domaine de l'ordinateur hébergeant

la ressource demandée. Notez qu'il est possible d'utiliser l'adresse IP du serveur,

ce qui rend par contre l'URL moins lisible.

� Le numéro de port : il s'agit d'un numéro associé à un service permettant au

serveur de savoir quel type de ressource est demandé. Le port associé par défaut

au protocole est le port numéro 80. Ainsi, lorsque le service Web du serveur est

associé au numéro de port 80.

� Le chemin d'accès à la ressource : cette dernière partie permet au serveur de

connaître l'emplacement auquel la ressource est située, c'est-à-dire de manière

générale l'emplacement (répertoire) et le nom du �chier demandé.


4.2.3 HTTP (Hyper Text Transfer Protocol)

Le protocole HTTP (Hyper Text Transfer Protocol) est le protocole le plus utilisé

sur Internet depuis 1990. Au début, il était uniquement destiné à transférer des

données sur Internet (en particulier des pages Web écrites en HTML. La version 1.0

du protocole (la plus utilisée) permet désormais de transférer des messages avec des

en-têtes décrivant le contenu du message en utilisant un codage de type MIME. Le

but du protocole HTTP est de permettre un transfert de �chiers (essentiellement

au format HTML) localisés grâce à une chaîne de caractères appelée URL entre un

navigateur (le client) et un serveur Web (appelé d'ailleurs httpd sur les machines

UNIX) (Pillou, 2016b).

4.2.4 HTML (Hyper Text Markup Language)

Ce langage se compose d'un ensemble d'annotations, appelées étiquettes ou balises,

qui permettent de créer et formater un document hypertexte. Un �chier HTML

est un �chier texte ce qui a l'avantage de le rendre facilement lisible sur n'importe

quelle plateforme/ordinateur. Les balises du HTML sont insérées dans le texte du

document et guident son a�chage. Le navigateur interprète les commandes HTML

contenues dans le document et en déduit le format d'a�chage du document (Pillou,

2016a).

4.3 Architecture du Web

De nombreuses applications fonctionnent selon un environnement client/serveur,

cela signi�e que des machines clientes (des machines faisant partie du réseau)

contactent un serveur, une machine généralement très puissante en terme de capa-

cités d'entrée-sortie, qui leur fournit des services. Ces services sont des programmes

fournissant des données telles que l'heure, des �chiers, une connexion, etc. Les ser-

vices sont exploités par des programmes, appelés programmes clients, s'exécutant

sur les machines clientes. On parle ainsi de client (client FTP, client de messagerie,

etc.) lorsque l'on désigne un programme tournant sur une machine cliente, capable

de traiter des informations qu'il récupère auprès d'un serveur (dans le cas du client

FTP il s'agit de �chiers, tandis que pour le client de messagerie il s'agit de courrier

électronique) (Pillou, 2016c), voir �gure 4.1.


Figure 4.1: Architecture client-serveur (Pillou, 2016c)

4.3.1 Qu'est-ce qu'un serveur ?

On appelle logiciel serveur un programme qui o�re un service sur le réseau. Le

serveur accepte des requêtes, les traite et renvoie le résultat au demandeur. Le

terme serveur s'applique à la machine sur laquelle s'exécute le logiciel serveur.

Pour pouvoir o�rir ces services en permanence, le serveur doit être sur un site

avec accès permanent et s'exécuter en permanence.

4.3.2 Qu'est-ce qu'un client ?

On appelle logiciel client un programme qui utilise le service o�ert par un serveur.

Le client envoie une requête et reçoit la réponse. Le client peut-être raccordé par

une liaison temporaire.

4.3.3 Les di�érents modèles de client-serveur

En fait, les di�érences sont essentiellement liées aux services qui sont assurés par

le serveur.

� Le client-serveur de donnée : dans ce cas, la partie cliente assure à la fois les

fonctions de présentation et de logique applicative. Le serveur assure uniquement

la gestion des données, le plus souvent à l'aide d'un système de gestion de base

de données relationnelle. Dans ce modèle, l'application cliente envoie les requêtes

au serveur de données, qui envoie en retour les données demandées, ou informe

le client du résultat obtenu. La mise en place d'une application de ce type est


facilitée à la fois par une répartition claire des fonctions entre le client et le

serveur, et par les produits tels que les SGBD relationnels qui peuvent aussi

ajouter le contrôle d'intégrité. Il s'ensuit une sécurité accrue dans la gestion des

données, mais aussi une amélioration sensible des performances, car les requêtes

de contrôle n'ont pas à transiter.

� Client-serveur de présentation : dans ce cas, la présentation des pages a�-

chées par le client est intégralement prise en charge par le serveur. Cette orga-

nisation présente l'inconvénient de générer un fort tra�c réseau.

� Le client-serveur de traitement : dans ce cas, le serveur e�ectue des trai-

tements à la demande du client. Il peut s'agir de traitement particulier sur des

données, de véri�cation de formulaires de saisie, de traitements d'alarmes, etc.

Ces traitements peuvent être réalisés par des programmes installé sur des ser-

veurs mais également intégrés dans des bases de données (triggers, procédures

stockées), dans ce cas, la partie donnée et traitement sont intégrés.

4.3.4 Architectures client-serveur

Il existe une multitude d'architectures client-serveur, nous verrons dans ce qui suit

quelque uns (Pillou, 2016c).

4.3.4.1 L'architecture 2 tiers

Dans une architecture deux tiers, encore appelée client-serveur de première gé-

nération ou client-serveur de données, le poste client se contente de déléguer la

gestion des données à un service spécialisé. Le cas typique de cette architecture

est une application de gestion fonctionnant sous Windows ou Linux et exploitant

un SGBD centralisé.

Ce type d'application permet de tirer partie de la puissance des ordinateurs dé-

ployés en réseau pour fournir à l'utilisateur une interface riche, tout en garantissant

la cohérence des données, qui restent gérées de façon centralisée, voir �gure 4.2.


Figure 4.2: Architecture 2 tiers (Pillou, 2016c)

4.3.4.2 L'architecture 3 tiers

Elle applique les principes suivants :

� Les données sont toujours gérées de façon centralisée ;

� La présentation est toujours prise en charge par le poste client ;

� La logique applicative est prise en charge par un serveur intermédiaire.

Cette architecture trois tiers, également appelée client-serveur de deuxième gé-

nération ou client-serveur distribué sépare l'application en 3 niveaux de services

distincts voir �gure 4.3, conformes au principe précédent :

� Premier niveau : l'a�chage et les traitements locaux (contrôles de saisie, mise

en forme de données, etc.) sont pris en charge par le poste client ;

� Deuxième niveau : les traitements applicatifs globaux sont pris en charge par

le service applicatif ;

� Troisième niveau : les services de base de données sont pris en charge par un

SGBD.

Figure 4.3: Architecture 3 tiers (Pillou, 2016c)


4.3.4.3 L'architecture n-tiers

L'architecture n-tiers a été pensée pour pallier aux limitations des architectures

trois tiers et concevoir des applications puissantes et simples à maintenir. Ce type

d'architecture permet de distribuer plus librement la logique applicative, ce qui

facilite la répartition de la charge entre tous les niveaux.

Cette évolution des architectures trois tiers met en ÷uvre une approche objet pour

o�rir une plus grande souplesse d'implémentation et faciliter la réutilisation des

développements.

Théoriquement, ce type d'architecture supprime tous les inconvénients des archi-

tectures précédentes :

� Elle permet l'utilisation d'interfaces utilisateurs riches ;

� Elle sépare nettement tous les niveaux de l'application ;

� Elle o�re de grandes capacités d'extension ;

� Elle facilite la gestion des sessions.

4.4 Le Web et son évolution

Pour comprendre le � Web temps réel �, il faut connaître l'évolution du Web car

chaque nouvelle � version � du Web est en partie issue des insu�sances de la

version précédente (techniques, usage, etc.). Par ailleurs, elle vient la compléter,

et non la remplacer (Waterschoot, 2014, Bruyère et al., 2011).

4.4.1 Web 0.0

Le Web 0.0 ou Web militaire symbolise l'origine de l'Internet avec la création en

1972 du premier réseau de données à transfert de paquets (ARPANET) suite à la

commande du Pentagone portant sur la création un réseau capable de résister à

une attaque militaire.


4.4.2 Web 1.0

Le Web 1.0, encore appelé Web traditionnel, est avant tout un Web statique, centré

sur la distribution d'informations. Il se caractérise par des sites orientés produits,

qui sollicitent peu l'intervention des utilisateurs. Le Web 1.0 a popularisé le Web

auprès du grand public en rendant possible la publication de pages HTML mé-

langeant du texte, des liens, des images, consultables en ligne dans un navigateur

Web (le premier était Mosaic) via une URL grâce au protocole HTTP. Le Web 1.0

est caractérisé par :

� La notion de � site Web � qui est comparable dans le monde physique à une

bibliothèque où il faut se rendre pour avoir accès à son contenu et dans laquelle

un individu ne peut pas modi�er une information mais uniquement la consulter

(une autre analogie souvent faite pour expliquer le Web 1.0 est la télévision où

l'individu est uniquement spectateur de programmes),

� La possibilité de publier un contenu Web uniquement par le propriétaire du site

Web ;

� Des pages statiques en HTML, l'internaute qui ne peut que consulter les pages.

Les caractéristiques les plus importantes du Web 1.0 sont résumées dans la table

4.1 :


Période 1991-1999Objectif Donner accès au contenu en ligne � pré-

senter des produits aux consommateursArchitecture Portails d'information, sites Web sta-

tiques (Read-Only)Langage Protocoles HTTP ; HTML (language

avec liens hypertextes) ; XML Java, Ja-vaScript

Données Création de programmes propriétaireslourds et chers. Applications desktopprincipalement

Contenu Contenu limité (hypertextes + multi-média) créé par des professionnels

Outils de communication Email ; forumsApplications Applications commerciales ; émergence

de l'e-commerce et du panier shopping ;catalogues produits en ligne, encyclopé-dies

Utilisateur Consommateur passif � read only �,� view and link � ; le Web est unénorme magazine en ligne que l'utilisa-teur consulte

Technologie de recherche Répertoires, moteurs de recherche surbase de mots clés (=taxonomies)

Obstacles Absence de contexte ; peu d'interactionavec les utilisateurs ; lent, lourd

Table 4.1: Description du Web 1.0 (Waterschoot, 2014)

4.4.3 Web 2.0

Le Web 2.0, ou Web social, qui change totalement de perspective privilégie la

dimension de partage et d'échange d'informations et de contenus (textes, vidéos,

images ou autres). Il voit l'émergence des réseaux sociaux, des Smartphones et

des blogs. Le Web se démocratise et se dynamise. Appelé aussi Web collaboratif/-

participatif, il symbolise le Web interactif où l'internaute n'est plus seulement un

consommateur mais aussi un producteur d'informations car son avis est sollicité

en permanence.

Le Web 2.0 n'est plus un � site Web � (avec ses limites bien dé�nies) mais plutôt

une plateforme Web sur la base d'un ensemble de principes sans limite précise :

� L'internaute devient producteur d'information sur des supports Web qui ne lui

appartiennent pas (exemple : blog) ;


� L'information vient à l'internaute grâce à la syndication à des �ux RSS ;

� Le Web devient une gestion personnalisée par l'internaute de �ux de données

(lecteur adapté et pas forcément un navigateur Web, a�chage personnalisé,

etc.) ;

� L'interaction et le partage transforment le Web en média social ;

� Les � sites Web � deviennent des services Web (exemple : Google Docs).

Les caractéristiques et les limites du Web 2.0 sont donnés à la table 4.2 :

Cependant, le Web 2.0 présente aussi des avantages (Wikipedia, 2007), nous citons

quelques-uns :

� La simplicité et la rapidité d'implémentation et d'utilisation ;

� La gratuité des outils ou des coûts d'utilisation modique ;

� La grande interactivité ;

� Les possibilités de personnalisation des outils.

4.4.4 Web 3.0

Le Web 3.0, aussi nomméWeb sémantique, vise à organiser la masse d'informations

disponibles en fonction du contexte et des besoins de chaque utilisateur, en tenant

compte de sa localisation, de ses préférences, etc. C'est un Web plus portable et qui

fait de plus en plus le lien entre monde réel et monde virtuel. Il répond aux besoins

d'utilisateurs, qui sont toujours connectés à travers une multitude de supports et

d'applications.

Les caractéristiques du Web 3.0 sont donnés à la table 4.3 :


Période 2000-2009Objectif Partager du contenuArchitecture Plateformes interactives (Read, Write

and Share) ; sites dynamiques, blogs,microblogs, wikis ,Web services et webapplications pour connecter les pro-grammes et contenus

Langage XML (HTML structuré) qui consiste àdécrire les choses avec des mots + RSS(�ux de contenus)

Données Multiplication des programmes opensource qui démocratisent le Web. Li-cences Creative Commons : ouvertureet partage des logiciels et ressources

Contenu Contenu illimité créé par des utilisa-teurs amateurs et professionnels

Outils de communication Réseaux sociaux ; plateformes collabo-ratives ; SMS ; MMS

Applications Multiplication des applications partici-patives pour communiquer (blog, twit-ter), partager (facebook, linkedin, �i-ckr, youtube, etc.), transformer desdonnées (RSS et XML), tagger (Digg),présenter (slideshare), etc.

Utilisateur Consommateur et acteur. Néanmoins,seule une minorité devient auteur �read and write �, la majorité secontente d'un engagement restreint �read and share �

Technologie de recherche recherche sur base de mots clés (tags)Obstacles Infobésité : trop de contenu ; accessibi-

lité : la technologie ne permet pas en-core une vraie portabilité ; la traçabi-lité : tous le monde peut écrire toutet n'importe quoi sur le Web ; la �abi-lité du contenu ; une implication encorefaible des internautes.



Période 2010-xxObjectif Consolider et intégrer des contenus dy-

namiquesArchitecture SaaS (logiciel=service), Cloud (porta-

bilité), les Web services occupent laplace centrale et connectent les sup-ports et les applications à travers desinterfaces simpli�ées

Langage le XML, de nouveaux languagesémergent : RDF (Resource DescriptionFramework) càd la grammaire qui dé�-nit les concepts et établit les relations+ OWL (Ontology Web Language)basé sur les relations et la logique +SWRL (Semantic Web Rule Language)qui établit les règles qui permettentde comprendre ce que les humainscherchent

Données Transforme le Web est une base de don-nées géante, divisée en groupes avecune multitude de liens entre eux pourcroiser les données. Intégration des me-tadata dans les ressources accessiblespartout, à tout moment et sur n'im-porte quel support

Contenu Contenu organisé par les utilisateursOutils de communication Tous les outils précédants adaptés

à l'internet mobile (tablettes, smartphones) + des outils cross media telsque QR codes, RFID (radio frequencyidenti�cation)

Applications Applications 3D, création de mondesvirtuels, social games

Utilisateur Consommateur engagé ; utilisateur deplus en plus actif, mobile, toujoursconnecté

Technologie de recherche Recherche contextuelle grâce à des�ltres individuels (ex : les recommanda-tions d'Amazon), recherche sémantiqueen language naturel, recherche visuelle(ex : en prenant la photo d'un monu-ment, accéder à toute l'information quis'y rapporte)

Obstacles Di�culté de combiner le Web des don-nées (scienti�que et rigoureux) avec leWeb social (instantané, basé sur lesémotions) ; danger d'envahissement parun Web omniprésent



4.4.5 Web 4.0

Le Web 4.0, évoqué comme le Web intelligent, e�raie autant qu'il fascine, puisqu'il

vise à immerger l'individu dans un environnement (Web) de plus en plus durable.

Il pousse à son paroxisme la voie de la personnalisation ouverte par le Web 3.0 mais

il pose par la même occasion de nombreuses questions quant à la protection de la

vie privée, au contrôle des données, etc. Il est encore un terrain d'expérimentation.

Nous donnons plus de détails sur le Web 4.0 à la table 4.4 :

Période 2020( ?)-xxObjectif Innover grâce aux connexions intelli-

gentesArchitecture OS (système opérationnel) + CloudDonnées Évolution vers des standards ouverts,

vers un langage universelUtilisateur L'utilisateur devient créateur de son

environnementTechnologie de recherche Filtres intelligentsObstacles Sécurité des sources et accès aux don-

nées ; capacité à analyser les compor-tements et à les traduire en donnéesutiles ; danger d'un contrôle sur la vieprivée et perte de liberté. Le Web4.0 comme il est présenté aujourd'huipourrait restreindre notre liberté etnos chances d'évolution et d'innovation(puisqu'il ne nous présenterait que cequi est censé nous intéresser).


4.5 Les outils de collaboration

Comme nous l'avons dé�ni en chapitre 02, la collaboration est un processus par

lequel deux ou plusieurs personnes ou organisations s'associent pour e�ectuer un

travail intellectuel suivant des objectifs communs.

Les outils collaboratifs étaient complexes à développer, à installer et à manipuler, si

bien qu'ils étaient souvent laissés aux mains d'un personnel informatique quali�é.


Les technologies Web ont simpli�é leur utilisation, leur gestion et permettent leur

évolution.

De nos jours, l'Internet a rendu le partage d'idées, de connaissances et techniques

presque gratuit et instantané, facilitant le travail collaboratif de façon spectacu-

laire. Le processus de mise en ligne de contenus est devenu accessible à un plus

grand nombre, grâce à des applications et des interfaces simpli�ées. Il est plus

facile aux utilisateurs du Web de générer eux-mêmes du contenu favorisant les

interactions plus fréquentes et plus transparentes entre les collaborateurs.

Les plateformes internet o�rent, de manière centralisée, des fonctionnalités de

plus en plus intégrées et de plus en plus étendues : consulter de l'information, la

valider, la partager, l'imprimer, et la publier. Cette centralisation sur l'Internet

o�re l'avantage, pour les utilisateurs, de pouvoir utiliser ces outils de manière plus

�exible, sans contrainte de lieu et de temps (Georis, 2009).

4.5.1 Pourquoi utiliser des outils de collaboration ?

Les outils de collaboration sont utilisés surtout pour (Abilian, 2013) :

� Innover plus vite : en exploitant mieux le potentiel d'innovation de leur or-

ganisation ; en raccourcissant le délai de résolution des problèmes ; en favorisant

l'implication et l'engagement de leurs collaborateurs.

� Augmenter la productivité : en permettant la mise à disposition, le partage

et l'accès aux documents et aux contenus, et en permettant d'identi�er plus

facilement les experts et les savoirs au sein de l'organisation.

� Mieux communiquer, en interne comme vers l'extérieur : en améliorant

les relations avec les clients, en promouvant la communication interdisciplinaire,

et en améliorant la collaboration entre des équipes réparties sur des sites di�é-

rents.

� En�n, gérer plus e�cacement, en coordinant les missions et les activités au

sein de l'organisation, et en améliorant la gestion des ressources/des projets.

4.5.2 Catégories d'outils de collaboration

Les outils de travail collaboratif se distinguent en quatre grandes catégories : les

outils de communication, les outils de partage d'applications et de ressources, les


outils d'information et de gestion des connaissances et les outils de coordination

(JDN, 2012, collaboratif, 2014, Denos & Silini, 2011), voir �gure 4.4 .

Figure 4.4: Les quatre catégories d'outils de collaboration (collaboratif, 2014)

4.5.2.1 Les outils de communication

Ils sont considérés comme des outils � de première nécessité � car sans eux il est

impossible de collaborer. Leur rôle est avant tout de faire circuler l'information

entre collaborateurs. Il existe di�érents modes de communication et d'échange

(synchrone et asynchrone). Parmi les outils de communication disponibles sur le

Web, nous pouvons citer :

� La vidéoconférence : la vidéoconférence est une solution, qui évite aux col-

laborateurs de se déplacer, permet une mise en communication en temps réel,

réduisant ainsi les délais d'organisations et les coûts de réunion. Il su�t au-

jourd'hui de réserver un créneau sur une interface Web et la vidéoconférence

commence à l'heure dite et sur tous les sites retenus (Navamuel, 2012).

� La messagerie électronique : est un outil permettant d'échanger des mes-

sages (courrier électronique ou courriel) par l'intermédiaire d'une boîte aux

lettres électronique identi�ée par une adresse électronique. La messagerie élec-

tronique est simple d'utilisation et présente de nombreux avantages sur la messa-

gerie postale qui en font le service de l'Internet le plus utilisé encore aujourd'hui.

Ses autres atouts sont le délai de transmission très court, l'économie générale

réalisée notamment lors de l'envoi instantané à plusieurs correspondants ou en-

core la possibilité de joindre à son courrier di�érents types de documents comme

des images, du son ou de la vidéo. La communication est asynchrone.


� La messagerie instantanée : la messagerie instantanée ou chat est plus pra-

tique et encore plus rapide pour obtenir une information de la part d'un collabo-

rateur que les échanges d'emails inutiles et qui encombrent les boîtes aux lettres

électroniques. L'échange de messages se fait en temps réel. De plus, l'indexation

et l'archivage des conversations permettent de retrouver facilement des données

précises (Wikipedia, 2016f). La communication est synchrone, comme outils de

messagerie instantanée citons : Sametime, AIM , Messenger Plus, Fleep, etc.

� Les réseaux sociaux : un réseau social est un outil qui transforme le travail

quotidien, permettant aux individus de s'intégrer dans un groupe, d'avoir accès

aux connaissances et aux idées de tous, de participer facilement aux divers pro-

jets. En créant une communauté virtuelle, les membres peuvent communiquer

facilement avec des collègues où qu'ils soient dans le monde. Ce nouvel outil a

tendance à prendre une place croissante au sein des communautés projet et à

donner un nouvel élan à la collaboration (Navamuel, 2012). Quelques exemples

de réseau social : Facebook, Linked in, Viadeo, etc.

� Le tableau blanc : est une page blanche en ligne partagée entre les membres

d'un groupe qui peuvent y écrire des textes ou y dessiner des formes simultané-

ment et à distance.

4.5.2.2 Les outils de partage d'applications et de ressources

Ils permettent à plusieurs membres d'une équipe de travailler ensemble sur un

même document, sur une même application dans le cadre d'un projet commun.

Ce sont ici les outils de collaboration par excellence o�rant la possibilité à des

utilisateurs de travailler en ligne.

Parmi les outils de partage d'applications et de ressources les plus utilisés, nous

citons :

� La plateforme collaborative : correspond à un espace de travail virtuel cen-

tralisant des informations, outils ou applications liées à la conduite d'un projet

et les mettant à disposition des di�érents collaborateurs. C'est un outil avancé,

idéal et e�cace qui possède de nombreuses fonctionnalités et beaucoup d'avan-

tages. L'un de ses principaux avantages est le fait de faciliter la coordination

et le travail entre les équipes grâce au partage très simple de toutes informa-

tions (document, contact, tâche, base de donnée, etc.). Exemples de plateforme

collaborative : Knowings Collaborative ECM, PYGRAM , AtikTeam, etc.


� Le forum : service o�ert par un serveur d'information dans un réseau comme

Internet et qui permet à un groupe de personnes d'échanger leurs opinions, leurs

idées sur un sujet particulier, en direct ou en di�éré, selon des formules variées

(liste de di�usion, canal IRC, etc.). Les forums peuvent réunir des professionnels

ou des amateurs sur des sujets très variés, dans un contexte de travail ou de

loisir. Ils découlent des groupes d'intérêts spéciaux (SIG) qui échangent des

renseignements.

� L'espace de stockage partagé : un espace de stockage partagé permet à des

usagers de mettre en ligne des �chiers et de dé�nir les droits d'accès en lecture

et en modi�cation pour les di�érents membres du groupe. Exemples d'espace de

stockage partagé : Dropbox, google drive, etc.

4.5.2.3 Outils d'information et de gestion des connaissances

Ces outils de partage de contenus et d'accès au savoir sont également connus sous

l'appellation de Knowledge Management. Ils ont pour �nalité de rendre plus aisé

l'accès aux informations. Ils o�rent la possibilité à un groupe de gérer le cycle

de publication du contenu, à savoir les documents produits et partagés par le

groupe. Cela facilite la création, la validation, l'organisation et la distribution de

ce contenu. Nous pouvons diviser cette catégorie en trois sous-divisions :

1. Les outils actifs de di�usion de l'information (di�user une information per-

tinente) ;

2. Les outils passifs de recherche de l'information (accéder aux documents

quelques soient leur nature et leur lieu de stockage) ;

3. Les outils passifs de recherche des compétences (accéder à une information

précise et détaillée détenue par un expert).

Exemples d'outils d'information et de gestion des connaissances :

� La liste de di�usion : est une liste d'adresses électroniques dont la gestion est

automatisée. Elle permet de di�user des informations par courriel à une liste de

personnes sans avoir à saisir chaque fois leurs adresses électroniques.

� Le Wiki : permet l'édition de texte en ligne avec structuration logique et mise

en forme, intégration d'images et de lien actifs.


� Le portail : est un site Web dont la page d'accueil propose, en plus d'un

moteur de recherche, des hyperliens avec une foule d'informations et des ser-

vices attractifs (courrier électronique, chatrooms, actualités, météo, cotes de la

Bourse, classement de sites par thèmes tels que : le cinéma, les voyages, les

raccourcis d'achats en ligne, etc.). Le portail a pour objectif de guider les in-

ternautes et faciliter leur accès au réseau, mais surtout d'attirer et �déliser un

grand nombre d'entre eux, au point de devenir leur porte d'entrée dans Internet.

Nescape, Nomade, Yahoo sont des exemples des grands portails dont leurs mo-

teurs de recherche ouvrent plusieurs autres portails. Le portail collaboratif vise

à favoriser la collaboration entre pairs, en permettant d'échanger et de partager

des compétences pour mieux réussir un projet commun.

4.5.2.4 Outils de coordination

Les outils de coordination ou work�ows sont des outils de suivi et de gestion de

projet qui permettent de synchroniser, de contrôler et d'accélérer les interactions

entre les contributeurs, les relecteurs et les personnes chargées de la validation

d'un projet. Ils peuvent ainsi assister un groupe projet à tenir les objectifs �xés

tout en répondant aux contraintes de délais, de coûts et de qualité.

� L'agenda partagé : permet de mémoriser les dates importantes pour le groupe :

événements, réunions, dates butoir.

� Les outils de gestions de tâches : ces outils regroupent les informations

concernant les tâches à réaliser pour accomplir une activité, et les ordonnancent ;

le déroulement peut être plus ou moins prédé�ni. Les outils de gestion de tâches

visent à faciliter la synchronisation entre les actions et les acteurs. De cette

manière les collaborateurs peuvent créer, partager, ou déléguer des tâches à tous.

Ils o�rent une souplesse qui permet de sortir du système des dates butoirs pour

adapter le �ux au rythme de travail réel (Navamuel, 2012). Quelques exemples

d'outil de gestion de tache : Groupiful, Todoist Next, Producteev, Plazone, etc.

4.6 Conclusion

Dans ce chapitre, nous avons abordé les notions de base du Web ainsi que son

évolution, nous avons classi�é les di�érents outils de collaboration existants dans

le Web. Notons qu'une collaboration e�cace nécessite une bonne préparation en


amont qui réside dans le choix des outils collaboratifs appropriés, �ables et per-

formants.

A présent, nous passons à la deuxième partie de ce document pour discuter le

chapitre 5 et détailler la conception de notre système d'aide à la décision collabo-

rative.

Deuxième partie

Vers un système d'aide à la décision

collaborative

Cette deuxième partie présente en détails notre Système d'Aide à la Décision

Collaborative. Elle est constituée de deux chapitres, le chapitre � Modélisation du

Système d'Aide à la Décision Collaborative (SADC)� qui symbolise notre contribution

et le chapitre � Implémentation et mise en ÷uvre du système � qui re�ète le coté

pratique du SADC à travers un ensemble de scénarios d'exécution.

75

Chapitre 5

Modélisation du Système d'Aide à

la Décision Collaborative (SADC)

5.1 Introduction

Nous décrivons à travers ce chapitre le système d'aide à la décision collaborative

que ne proposons pour aider les employés du non-tissé à résoudre leurs problèmes

de diagnostic industriel en leur o�rant une plateforme collaborative. En premier

lieu, nous citons quelques travaux connexes. En deuxième lieu, nous détaillons les

fonctionnalités du système développé.

5.2 Travaux connexes

Nous recensons à travers notre étude des travaux connexes, plusieurs approches

qui intègrent les ontologies, les systèmes à base de connaissances et les systèmes

raisonnant à base de cas. Cette étude nous a permis de dresser la synthèse suivante :

Les auteurs dans leur travail (Zaraté & Liu, 2015) présentent une classi�cation des

systèmes d'aide à la décision à la base de 70 travaux. Elles divisent les technologies

de développement des systèmes d'aide à la décision à base de connaissances en trois

catégories : les outils de modélisation et de représentation des connaissances, les

technologies de raisonnement et d'inférence et les technologies basées sur le Web.

Elles constatent que les décisions ne sont e�caces et utilisables par les industries,

76

Chapitre 5. Modélisation du Système d'Aide à la Décision Collaborative 77

les clients, les communautés, etc. Que si les attentes, les besoins et les préférences

des utilisateurs sont pris en considération par le processus décisionnel. De plus,

ce processus doit inclure les deux étapes de communication et de collaboration

(Zaraté, 2013)

Le partage des connaissances devient di�cile lorsqu'il s'agit de considérer la connais-

sance tacite (abstraite) par exemple : le savoir faire, les règles non formulées, etc.

Où la connaissance n'est pas bien dé�nie. Ce qui pourrait causer dans le cas des

modèles décisionnels à base de connaissances une charge supplémentaire aux dé-

cideurs (Zaraté & Liu, 2015, Grundstein et al., 2003).

La technologie Web permet de gérer les informations sur l'architecture client / ser-

veur. Elle utilise l'intranet et l'extranet pour une communication facile et e�cace

entre les employés ou les clients. La collaboration peut être vitale, selon la varia-

tion du niveau d'organisation des décideurs (Suh, 2009). Les approches actuelles

pour la conception de DSS sont retenues en fonction de leur capacité d'adaptation

à l'évolution des besoins de l'utilisateur et le fait qu'elles supportent l'évolution

des systèmes. Les processus de prise de décision doivent être intégrés à di�érents

points au même temps, lorsque la collaboration est nécessaire entre les décideurs

(Barabel, 1996).

L'approche proposée dans (Dalal et al., 2011) utilise un raisonnement à base de

cas pour générer la solution d'un nouveau problème en quatre (4) phases. Durant

la première phase, le nouveau problème est considéré comme étant un nouveau

cas. A la deuxième phase, le système sélectionne un cas précis enregistré dans la

base. Ensuite, dans la troisième phase, ce cas est modi�é par rapport au nouveau

problème pour produire un cas suggéré. Cette suggestion constitue la solution

provisoire au problème posé. La solution est proposée puis révisée pour ensuite

être validée. La phase de véri�cation permet de savoir si la solution trouvée est

une solution optimale pour le problème, dans le cas contraire elle est adaptée. En

dernière phase, la solution est stockée dans la base de cas.

Le raisonnement à base de cas a de nombreux avantages par rapport à d'autres

approches de raisonnement tels que le raisonnement à base de règles (David, 1996).

Le raisonnement à base de cas est le plus proche du raisonnement humain. Il o�re

la possibilité de prendre des décisions à la manière des êtres humains les prennent

en temps réel. Le raisonnement par cas permet de raisonner sur des problèmes déjà

résolus et stockés dans la base de cas. Les expériences passées sont réutilisées pour


résoudre de nouveaux problèmes. Le processus d'acquisition des connaissances est

plus facile à traiter dans l'approche du raisonnement à base de cas. Mais dans le cas

d'une autre approche de raisonnement, le processus d'acquisition de connaissances

n'est pas facile et également coûteux. Autre avantage majeur de cette approche

par rapport aux autres approches de raisonnement est la valeur de la solution.

Dans la phase d'adaptation, la solution proposée est révisée et adaptée selon les

contraintes du problème ; cette phase améliore les solutions et rend le raisonnement

à base de cas e�cace. Les erreurs de solutions précédentes ne se propagent pas dans

les solutions futures (C. Simon & Shiu, 2004). Le raisonnement à base de cas peut

également être appliqué dans les domaines où l'information sur les problèmes est

incomplète ou insu�sante pour trouver les règles et/ou les algorithmes nécessaires

pour les résoudre. Cependant, cette approche présente des inconvénients énumérés

ci-dessous :

� Quelle est la structure la mieux adaptée à un cas ?

� Quelles sont les stratégies de sélection pour trouver un cas similaire ?

� Comment récupérer le cas ?

� Comment réviser un cas ?

� Comment gérer les index les suggestions de cas pour un accès plus rapide ?

Dans ce travail (Ji et al., 2004), les auteurs développent un modèle d'estimation

des coûts pour les phases conceptuelles du Raisonnement à Base de Cas (RBC). Ce

modèle utilise le concept de distance euclidienne pour la mesure de similarité et des

algorithmes génétiques pour l'optimisation des poids des attributs. Premièrement,

la portée du modèle de coût est dé�nie comme limitée aux stades initiaux du projet

(budget spéci�quement) parce que les premières estimations de coûts font partie

intégrante de la décision d'un propriétaire d'initier des projets de construction et

si les organisations administratives décident de participer ou non. Ensuite, les don-

nées sont collectées à l'aide d'une société de logement public en Corée et converties

en informations de coût et de fonctionnalité (attribut) des données. Par la suite,

un procédé de mesure de similarité basée sur le concept de mesure de distance eu-

clidienne, et un poids d'attribut méthode basée sur l'optimisation de l'a�ectation

algorithme génétique, sont introduits. Le modèle proposé est développé sur la base

de ces deux concepts en utilisant un programme MS-Excel. En�n, l'e�cacité du

modèle est validée par la comparaison avec des modèles proposés ultérieurement.

Cette recherche est un moyen d'améliorer la précision de l'estimation des coûts


pour les praticiens de l'industrie ainsi elle agit comme une base pour la poursuite

des recherches sur les principes fondamentaux de la recherche de cas.

Dans ce travail (Rasovska, 2006), les auteurs utilisent une base de cas pour le

diagnostic et la maintenance industrielle en utilisant une ontologie. Chaque phase

du cycle du RBC est implémentée y compris la phase d'adaptation qui utilise

des règles de décision. Les auteurs utilisent l'ontologie a�n de caractériser un cas

(problème) et à mieux le cibler, la comparaison entre les cas se fait en appliquant

une mesure de similarité pondérée.

Le travail présenté dans (Su & Wei, 2011), consiste à développer une plateforme

collaborative basée sur une ontologie pour la réhabilitation des malades, le sys-

tème appelé OntoRis, est une ressource de domaine complet de connaissances pour

une thérapie de rééducation spéci�que équipé d'un forum de discussion Web 2.0

compatible pour l'échange et le partage d'expériences entre les patients et les thé-

rapeutes. L'échange et le partage d'expériences peuvent inspirer et promouvoir

des idées nouvelles ou des informations utiles pour le processus de réadaptation.

Grâce à l'élaboration d'une ontologie pour la réhabilitation, la connaissance peut

être formellement modélisée par un ensemble de concepts et de relations entre ces

concepts au sein de la médecine de réadaptation. A travers le travail de (Su &

Wei, 2011), nous pouvons dégager les limites suivantes :

� Les ontologies de domaine sont souvent incompatibles, car elles représentent des

concepts dans des domaines très spéci�ques,

� L'expansion des systèmes qui s'appuient sur des ontologies de domaine néces-

site souvent la fusion des ontologies en une représentation plus générale. Cela

représente un dé� pour le concepteur d'ontologies,

� Problème de sécurité lié au forum développé à la base des technologies Web 2.0.

Les auteurs dans (Wang et al., 2013) proposent une ontologie à base de règles,

pour supporter, soutenir des prises de décisions et à améliorer des pratiques in-

dustrielles pour la chaine de production GSC (Gestion Supply Chain) dynamique

et hétérogène. L'ontologie partagée est développée pour décrire la connaissance,

la décision interne et externe des entreprises d'une GSC et les environnements

dynamiques du marché. Cette ontologie appuie les prises de décision complexes

et fournit également des suggestions sur l'amélioration des pratiques industrielles.

Une étude de cas a été réalisée sur l'industrie de l'acier et du fer pour justi�er


la faisabilité et l'e�cacité de l'approche proposée. Cependant ce travail présente

quelques limites :

� Absence de SAD (Système d'aide à la décision), donc pas de prise de décision

automatique ;

� Problème d'appariement des ontologies ;

� La qualité des décisions est in�uencée par les données recueillis.

Après notre lecture profonde des travaux cités ci-dessus, nous sommes arrivés aux

conclusions suivantes :

� Les ontologies de domaine sont souvent incompatibles, car elles représentent des

concepts dans des domaines très spéci�ques ;

� L'extension des systèmes basés sur des ontologies de domaine nécessite la fusion

des ontologies dans une représentation plus générale qui représente un dé� pour

les concepteurs d'ontologies ;

� Les phases de préparation, structuration et d'extraction des connaissances pour

la conception d'ontologie sont des taches très di�ciles ;

� Bien que le raisonnement à base de cas semble assez simple et intuitif, mais une

implantation générale de ce processus dans un programme informatique n'est

pas triviale. Un nombre de problèmes doit être résolu et certains sont encore de

nos jours ouverts. Les systèmes de raisonnement à base de cas n'exploitent pas

tout le potentiel de cette méthode de raisonnement. Certains ne traitent que des

valeurs numériques, d'autres rendent di�cile la maintenance de la base de cas,

d'autres encore ne supportent aucun mécanisme d'adaptation.

La section suivante présente notre approche proposée.

5.3 Le système SADC

5.3.1 Architecture globale

Notre approche s'appuie sur le partage des connaissances, l'échange d'avis et la

capitalisation du savoir-faire à travers une plateforme collaborative. Une ontologie

est mise en place a�n de régler l'hétérogénéité des données des entreprises.

Notre système est composé de dix (10) composants : un Module de visualisation,

un Module de gestion de requêtes, un Module de recommandation, un Moteur de

raisonnement, un Module de mise en correspondance, un Module de données, un


Module de similarité, un Module de connaissances, une Base de documents et un

Module de préférences montrés à la �gure 5.1.

Figure 5.1: Architecture générale (Benkaddour et al., 2016b)

Nous expliquons dans ce qui suit le rôle de chaque composant donné à la �gure

précédente :

1. Module de visualisation : ce module est le portail d'interaction avec la

plateforme, il o�re aux utilisateurs à di�érents pro�ls d'utiliser les fonction-

nalités de la plateforme collaborative.

2. Module Gestion de requêtes : permet la prise en compte des requêtes et

leur tri pour les orienter vers le moteur de raisonnement.

3. Module de recommandations : il fournit des recommandations aux dif-

férents utilisateurs en termes d'utilisation de documents, vidéos, images,etc.

pour un éventuel traitement d'informations. La recommandation des docu-

ments se fait en se basant sur leur propriétés intrinsèques, tels que le titre,

auteur, les mots-clés et en les corrélant avec les préférences de l'utilisateur in-

troduites lors de la phase d'inscription. Nous allons donc extraire un certain


nombre de caractéristiques propres à un document, a�n de pouvoir recom-

mander à l'utilisateur des documents additionnels possédant des propriétés

similaires.

4. Moteur de raisonnement : c'est un module qui permet de déclencher

tout type de raisonnement à base de cas en utilisant le mécanisme de prise

de décision collaborative donné à la �gure 5.1 détaillé à la �gure 5.2.

5. Module de mise en correspondance : ce module établit une correspon-

dance entre le Module de gestion de requêtes et le Module de similarité. Il

permet d'analyser toutes les requêtes d'entrées reçues par le gestionnaire de

requêtes et renvoie les réponses au Module de visualisation.

6. Module de données : regroupe toutes les données du non-tissé nécessaires

au bon fonctionnement du système ainsi qu'un SGBD (Système de Gestion

de Base de Données).

7. Module de similarité : ce module est chargé de l'étude de similarité sé-

mantique entre les requêtes (problème), c'est le seul module qui est relié

avec le module des connaissances et avec des ressources externes tels que le

�WORDNET�.

8. Module de connaissances : en plus de l'ontologie de domaine, ce module

compterait un gestionnaire capable d'interagir avec cette ontologie, ce dernier

est relié avec l'index des documents.

9. Base de documents : tous les formats de documents recommandés aux

utilisateurs par le module de recommandation sont regroupés dans cette

base.

10. Module de préférences : les utilisateurs de la plateforme de collabora-

tion peuvent introduire leurs préférences de deux façons. Tout d'abord, le

participant peut formuler ses préférences à l'inscription. Deuxièmement, Ils

peuvent mettre à jour leurs préférences durant une session de collaboration

par le Module des préférences qui o�re plus de souplesse à notre architecture.

5.3.2 Processus d'aide à la décision collaborative

Pour développer notre processus de prise de décision collaborative, nous nous

sommes inspirés principalement du travail de (Paul et al., 2004) qui dé�nit l'acti-

vité de prise de décision collective comme une convergence des interactions cogni-

tives et visuelles prévues ou opportuniste, où les gens acceptent de se réunir pour


un objectif commun. Au cours d'un temps dé�ni, soit au même endroit, ou dans

des lieux di�érents, avec un objectif de prise de décisions.

Figure 5.2: Processus d'aide à la décision collaborative (Benkaddour et al.,2016b)

Dans notre processus, nous considérons trois acteurs du processus décisionnel :

� Facilitateur : c'est une personne (physique) qui se charge du bon déroulement

du processus décisionnel en faisant participer un groupe de participants. Il a le

privilège accordé par l'administrateur de consulter les pro�ls des participants de

la plateforme collaborative.

� Participant : le processus décisionnel peut se déclencher avec au moins deux

participants, ceux sont les employés du non-tissé et les experts de domaine.


� Expert : les experts du domaine peuvent intervenir dans des défaillances ma-

jeures et proposer des solutions (expert allemand, etc.).

Nous résumons les étapes du processus et leur description dans ce qui suit :

1. Élire un facilitateur : cette élection ce fait à la base d'un ensemble d'infor-

mations comme par exemple : son acceptation à être facilitateur, le nombre

de problèmes résolus,etc.

2. Dé�nir la liste des participants (Groupe) : cette sélection se fait en se

basant sur les éléments recueillis auprès de l'administrateur, tels que la liste

d'intérêts du participant, sa date d'inscription à la plateforme, le nombre de

participation à la résolution de problèmes, etc.

3. Véri�er le nombre de réponses : le facilitateur véri�e le nombre d'ac-

ceptation des participants et en fonction de ce nombre, il décide de démarrer

une session ou d'attendre que le nombre soit supérieur à trois (3).

4. Inviter les participants

5. Démarrer une session

6. Poser le problème : le facilitateur pose le problème d'une manière claire et

précise (sans ambigüité), la liste des participants peut être enrichie jusqu'à

cette étape.

7. Évaluer les solutions (Négociation) : cette étape consiste à dresser une

liste ordonnée des solutions proposées, si cette liste est vide après un certain

temps, le facilitateur sollicite l'avis d'expert. A ce niveau, les di�érents points

de vue des participants sont confrontés.

8. Prise de décision : dans cette étape la liste des solutions est ordonnée et

prête à être di�user (�nalisation).

9. Di�user les solutions : le facilitateur a l'obligation de di�user la liste des

solutions aux participants et de signaler le problème résolu.

10. Clôturer la session : à cette étape le problème posé au départ est résolu.

5.3.3 Classement des solutions

Le protocole du vote proposé se caractérise par une succession de messages échan-

gés entre les participants (facilitateur et opérateurs) voir la �gure 5.5 ; il se divise

en trois phases :


Figure 5.3: Processus du vote (Benkaddour et al., 2016a)

1. Distribution du problème : c'est la première phase du protocole, qui

initie la négociation. Le facilitateur envoie un message à tous les partici-

pants (opérateurs). Ces derniers acceptent, proposent des solution(s) qu'ils

transmettent au facilitateur.

2. Conversation : c'est la deuxième phase du protocole, où le facilitateur éta-

bli un pré ordre des propositions grâce au module de similarité. Ce pré ordre

se base sur le contenu de l'information (nous exploitons la mesure de (Seco

et al., 2004)) de chaque proposition (mots-clés) en utilisant l'ontologie de do-

maine. Ensuite, le facilitateur di�use la liste des solutions aux participants.

Chaque participant note les propositions selon ses préférences, les notes sont


ensuite retournées au facilitateur.

3. Décision �nale : c'est la troisième et dernière phase, le facilitateur ras-

semble tous les scores reçus et organise la liste �nale des solutions. Si deux

solutions obtiennent le même score (égalité), alors il invite les participants à

voter avec une liste restreinte de solutions.

5.3.3.1 Les primitives du vote

Pour mener à bien un processus de négociation, il est nécessaire de dé�nir plusieurs

primitives de négociation entre le facilitateur et les opérateurs. Il faut donc mettre

en place des primitives spéci�ques au facilitateur et des primitives spéci�ques aux

opérateurs.

Les primitives du facilitateur : Le facilitateur possède trois primitives du

vote :

� Propose (poser le problème) : c'est la première primitive que le facilitateur

envoie aux opérateurs pour leur poser le problème.

� Formule les préférences : ce message incite les opérateurs à exprimer leurs

préférences par rapport à chaque solution.

� Con�rme (la liste des solutions ordonnée) : ce message indique aux opé-

rateurs que le problème est résolu et la liste des solutions est ordonnée ; le vote

est un succès.

Les primitives des opérateurs : Les messages envoyés par les opérateurs

sont uniquement destinés au facilitateur. Par conséquent, les opérateurs n'ont pas

connaissance des messages les uns des autres. De plus, les opérateurs ne connaissent

pas la liste des opérateurs conviés au vote, ils ne peuvent donc pas former de

coalition au cours de la négociation.

Le participant possède deux primitives du vote :

� Propose solution : ce message répond à la proposition du facilitateur à ré-

soudre le problème. L'opérateur envoie au facilitateur une liste de solution(s) au

problème.

� Note solution : par ce message l'opérateur exprime ses préférences par rapport

à une solution. Il attribue une note allant de 1 jusqu'à 10 à chaque solution de

la liste, ensuite il envoie ses préférences au facilitateur.


5.3.3.2 Cardinalité du vote

Notre protocole est basé sur l'échange de messages entre un facilitateur et plusieurs

opérateurs, il permet donc de réaliser des votes de 1 vers n. Nous autorisons le clas-

sement simultané des solutions de plusieurs problèmes. C'est-à-dire que plusieurs

facilitateurs peuvent proposer simultanément un vote à un ensemble d'opérateurs,

il s'agit donc de vote de n vers m participants, ou plus exactement n votes simul-

tanés de 1 vers m.

5.3.3.3 Délai de réponse par défaut

Lors d'une négociation, il se peut qu'un opérateur ne réponde pas à la proposition

du facilitateur, soit parce qu'il est absent, soit parce qu'une panne est survenue, il

faut alors que le vote ne soit pas bloqué. A�n de permettre au vote de continuer,

un mécanisme de temps d'attente des réponses est mis en place et lorsque ce temps

est écoulé, le facilitateur considère une réponse par défaut pour l'opérateur. Cette

réponse par défaut sera la moyenne des scores rendus par les autres opérateurs.

Le temps d'attente est limité à 60 mn.

5.3.3.4 Le nombre de réponses nécessaire pour le vote

Pour que le facilitateur puisse classer les solutions, toutes les réponses des opéra-

teurs sont obligatoires. Dans le cas où les opérateurs ne répondent pas, le facili-

tateur considère que la moyenne des scores pour une solution est une réponse par

défaut.

5.3.3.5 Complexité du vote

Il s'agit ici d'une complexité théorique dont le calcul est basé sur les messages

échangés durant le vote et non sur les messages qui transitent sur le réseau et

dépendent de l'implémentation réalisée. La complexité est une caractéristique im-

portante. Examinons la complexité en nombre de messages induite par notre vote.

Dans le pire des cas, le nombre de messages peut être exprimé en O(m)n si n est la

profondeur du processus et m le nombre de participants impliqués dans un vote.

Supposons que m personnes soient impliquées dans le vote (1 facilitateur, m - 1


opérateurs). Dans un premier temps, considérons qu'il n'y a pas d'égalité entre

les solutions. Le facilitateur propose la liste de solutions, chaque opérateur note

chaque solution. Par la suite, le facilitateur di�use la liste ordonnée des solutions :

3 *(m - 1) + 1 messages sont échangés, dont 1 message pour mettre à jour la BC.

Dès qu'il y a une égalité entre les solutions, le facilitateur demande un autre vote

aux opérateurs qui à leur tour notent les solutions. 2 *(m - 1) messages sont alors

échangés. Le facilitateur envoie une nouvelle liste de solutions qui sera acceptée,

ce qui ajoute 3 *(m - 1) messages. Au total, 5 *(m - 1) +1 messages sont échangés,

en tenant compte de la première proposition du facilitateur et les réponses des

opérateurs dont au moins une est négative. Le facilitateur envoie 3 *(m - 1) + 1

messages et en reçoit 2 *(m - 1). Chaque opérateur reçoit 3 messages et en envoie

2. La notation des solutions, avec ou sans égalité des solutions, a une complexité

globale en O(m), linéaire pour le facilitateur et en O(1) pour les opérateurs.

5.3.4 Détails de développement de l'ontologie

La première di�culté à laquelle nous avons été confrontées dès l'implémentation

de ce travail réside dans le fait que nous n'avions aucune ontologie de domaine

disponible et utilisable. Nous avons par conséquent été amenées à construire notre

ontologie de domaine pour l'industrie du non-tissé.

5.3.4.1 Acquisition des connaissances

La phase d'acquisition des connaissances est une phase di�cile qui nécessite du

temps et de l'e�ort dans le but d'extraire des connaissances précises et détaillées.

A�n de créer notre ontologie de domaine, nous avons e�ectué un stage de courte

durée dans une entreprise du non-tissé (INOTIS) ; durant cette période, nous avons

procédé à la collecte et à la capitalisation des règles-processus métier avec les

experts et le responsable de production. Les données étaient essentiellement des

documents, des traces écrites, des catalogues, des �ches de maintenances, des PV

de réunions et des interviews. Nous avons fait ces interviews avec les experts ou

chefs de production, et nous avons recueilli les réponses suivantes :

� Question 01 : Quel est l'objectif de votre travail, qu'est-ce que vous produisez ?


� Réponse 01 : La production de la ligne installée avec INOTIS est équipée

de plusieurs machines synchronisées de la nouvelle technologie, qui est capable

de produire plusieurs gammes de produits (ajouré absorbant hydrophobe, com-

pressé, essuie-glaces, etc.) ce qui la di�érencie des autres chaînes, est sa univer-

salité et sa �exibilité exceptionnelle dans la conception et la con�guration de

produits.

� Question 02 : L'entreprise INOTIS compte combien d'employés ?

� Réponse 02 : Elle compte 127 employés.

� Question 03 : Quelle est la ressource qui tombe souvent en panne ?

� Réponse 03 : L'enchevêtrement de �bres qui est faite par le processus d'envoi

hydroliage d'eau à travers des bandes perforées alimentées par des pompes à

haute pression pour atteindre une pression maximale de 250 bars. Ces pompes

HP ont enregistré un taux d'échec élevé par rapport à d'autres ressources qui

entraînent une dégradation de la qualité du produit �ni et du matériel lui-même,

y compris les dommages.

� Question 04 : Quelle ressource nécessite un énorme coût de réparation ?

� Réponse 04 : La ressource qui nécessite un énorme coût de réparation est

l'Aquajet.

� Question 05 : Est ce que le processus de production est le même pour toutes

les entreprises du non-tissé ou est-ce-spéci�que à INOTIS ?

� Réponse 05 : Non, il existe plusieurs procédés de production qui répondent aux

normes internationales (celui utilisé par INOTIS est le processus hydraulique).

� Question 06 : Quel type de machines utilisez-vous ? (Nous voudrons leurs �ches

techniques)

� Réponse 06 : Nous utilisons certains types de machines, par exemple : Aquajet,

pompes HP, etc.

� Question 07 : En cas de panne d'une machine que faite vous ?

� Réponse 07 : Nous essayons de cibler la panne et de changer par la suite la

pièce défaillante.

� Question 08 : Cherchez-vous des solutions a vos problèmes en ligne (dans un

site particulier, si oui le quel) ?

� Réponse 08 : Non, nous résolvons nos problèmes de manière locale.


5.3.4.2 Méthodologie adoptée pour le développement

Nous dé�nissons notre ontologie par O = (C, R, A, T, I). Classe (C) qui repré-

sente les concepts ou catégories de la connaissance du domaine de base ; Relation

(R) représente les relations entre les concepts, Attribut du concept (A) donne les

di�érentes caractéristiques des concepts,(t) représente les valeurs des attributs de

type de données ; Identi�ant (I) représente le contenu et le contexte du concepts

(Fielding et al., 2004), la �gure 5.4 donne un aperçu de notre ontologie.

Figure 5.4: Composants de notre ontologie de domaine (Benkaddour et al.,2016b)

D'une part, il n'y a pas seulement une méthodologie correcte pour le dévelop-

pement des ontologies. Habituellement, certaines sont appliquées lorsque les exi-

gences sont clairement connues au début ; d'autres sont appliquées lorsque les

objectifs ne sont pas clairs du début. En outre, il est fréquent de fusionner dif-

férentes méthodologies puisque chacun d'eux fournit des idées de design qui le

distinguent des autres. Cette fusion dépend des utilisateurs de l'ontologie et les

objectifs de l'ontologie. D'autre part, comme toute autre activité de modélisation

conceptuelle, la construction de l'ontologie doit être soutenue par des techniques

de génie logiciel (Falbo, 2004). Ainsi, nous avons utilisé des méthodes et outils de

génie logiciel pour soutenir les activités d'ingénierie de l'ontologie.

Nous avons opté pour la méthode de (Falbo, 2004) car elle facilite l'interaction

avec l'expert du domaine (étape de capture), les mêmes facilités ont été exploitées


pour interagir avec les utilisateurs de l'ontologie et de leur permettre d'intégrer le

processus de développement, a�n de garantir l'acceptabilité de notre système et

évitant ainsi tout rejet. Nous citons brièvement les étapes de développement de

l'ontologie selon (Falbo, 2004) :

1. Dé�nition des objectifs et spéci�cation des exigences : a cette étape

les objectifs de l'ontologie sont clairement dé�nis ainsi que les exigences des

utilisateurs ;

2. Conceptualisation : a ce niveau les concepts et relations de l'ontologie sont

dé�nis. Cette étape permet l'interaction avec l'expert du domaine. Notre

ontologie est arrangée en une hiérarchie taxinomique (sous-classe � super-

classe) où les types de production du non-tissé sont au niveau supérieur, les

machines au niveau intermédiaire et les pièces composants ces machines au

niveau le plus bas. Par exemple : le concept Detecteur-Comptage-Diametre

est une sous classe du concept Machine-Decoupage.

3. Formalisation de l'ontologie : cette étape vise à représenter explicitement

la conceptualisation réalisée dans un langage formel. Le langage utilisé est le

langage le plus communément repris � OWL � montré à la �gure 5.5. Notre

ontologie a été conçue via l'éditeur Protégé ;

Figure 5.5: Extrait de notre ontologie.owl

4. Intégration des ontologies existantes : lors des étapes de conceptuali-

sation et/ou formalisation, cette étape permet d'intégrer d'autres ontologies

à l'ontologie en cours de développement (Cette étape n'est pas utilisée vu

l'absence d'ontologie sur le domaine) ;

5. Évaluation de l'ontologie : l'ontologie est évaluée a�n de véri�er si elle

subvient aux exigences des utilisateurs ;


6. Documentation : l'ontologie peut être documentée (attacher des docu-

ments, cette étape n'est pas exploitée).

La table 5.1 regroupe un ensemble de concepts ainsi que leurs dé�nitions.

Concept Dé�nition

Entreprise Une entreprise est une structure économique et socialequi regroupe des moyens humains, matériels, immaté-riels (service) et �nanciers, qui sont combinés de ma-nière organisée pour fournir des biens ou des servicesà des clients dans un environnement concurrentiel (lemarché) ou non concurrentiel.

Entreprise de Service Organisation proposant des prestations pour les parti-culiers ou les professionnels.

Entreprise Industrielle Entité qui produit des biens en transformant des ma-tières en produits �nis.

Ressources humaines Ensemble des personnes qui travaillent pour une entre-prise.

Ressources Matérielles équipements, outils, bâtiments.Employé Une personne rétribuée pour produire un travail au sein

d'une entreprise ou d'une administration.Véhicule de transport Un engin mobile, qui permet de déplacer des personnes

ou des charges d'un point à un autre.Logiciel Ensemble de programmes et de procédures nécessaire au

fonctionnement d'un système informatique.Machine Appareil capable d'e�ectuer un certain travail ou de

remplir une certaine fonction, soit sous la conduite d'unopérateur, soit d'une manière autonome.

Service Action de servir, de s'acquitter de certains devoirs ou decertaines fonctions.

Véhicule Touristique Véhicule à moteur conçu ou aménagé principalementpour transporter des personnes.

Véhicule Utilitaire Véhicule capable d'assurer des fonctions très di�érentes,généralement à des �ns professionnelles.

Gestion RessourceHumaine

Un ensemble de pratiques ayant pour objectif de mobi-liser et de développer les ressources humaines pour uneplus grande e�cacité et e�cience, en soutien de la stra-tégie d'une organisation.

Table 5.1: Quelques concepts de l'ontologie de domaine (Benkaddour et al.,2016b)


5.3.4.3 Mise à jour de l'ontologie

Pour enrichir notre ontologie de domaine, nous proposons une série de questions

aux opérateurs de la plateforme, à travers ces questions un document est rédigé, ce

document est utilisé comme entrée pour mettre à jour notre ontologie après qu'il

soit validé par l'expert du domaine. Suite à la disponibilité de nouveaux documents

sur le domaine (corpus), la mise à jour de l'ontologie est devenue nécessaire. La

méthode utilisée est basée sur les phases de traitement automatique du langage

naturel (élimination des caractères spéciaux, élimination des mots-vides, extraction

des termes, etc.) selon les étapes de (Falbo, 2004) cité ci-dessus a�n d'en extraire de

nouveaux éléments (concepts, relations, etc.). A la �n cette ontologie sera validée

par un expert du domaine.

5.3.5 Raisonnement à base de cas (RBC)

A�n de résoudre les problèmes de l'industrie du non-tissé, nous pro�tons des si-

tuations vécues et enregistrées dans la base de cas. Pour faire face aux nouveaux

problèmes, nous utilisons des situations passées déjà résolues qui ont un très grand

degré de ressemblance en les comparant avec la situation actuelle c'est-à-dire le

nouveau problème. Notre base de cas compte plus d'une soixantaine de cas (69)

de diagnostics industriels. Nous les avons récupérés à partir des Pv(s) annuels et

interviews de l'entreprise INOTIS, puis nous les avons structurés et stockés dans

une base de cas. Nous donnons plus de détails dans les sous sections suivantes.

5.3.5.1 Description d'un cas

Un cas est la description d'un scénario de résolution de problème. Il peut donc

prendre des formes très diverses selon la nature de la tâche : diagnostic, plani�ca-

tion, aide à la décision, conception, etc. Nous nous intéressons au cas de diagnostic

industriel.

Nous utilisons la représentation des cas la plus communément reprise qui est la

représentation structurée en liste de descripteurs.

Nous décrivons un cas par l'association d'un problème et de la solution de ce

problème : cas=(pb,Sol(pb)).


Un cas source : est un cas utilisé pour résoudre un nouveau cas que nous appel-

lerons cas cible.

Un cas source s'écrit : cas-source=(source,Sol(source)) et un cas cible s'écrit

donc cas-cible=(cible,Sol(cible)) . Un cas, son problème et sa solution sont

donc décrits par un ensemble de descripteurs. Un descripteur d est dé�ni par une

paire d=(a,v) où a est un attribut et v la valeur qui lui est associée dans ce cas.

Conformément à ce vocabulaire, source et cible sont dé�nis de la manière suivante :

source=ds1..dsn où dsi est un descripteur du problème source.

� Sol(source)=Ds1..Dsm où Dsi est un descripteur de la solution source,

� Cible=dc1..dcn où dci est un descripteur du problème cible,

� Sol(cible)=Dc1..Dcn où Dci est un descripteur du problème cible.

Exemple : un cas de diagnostic de problème mécanique sur une machine de

production du non-tissé

Partie problème :

� ds1 = Problème (texte),

� ds2 = Type du problème,

� ds3 = Modèle de la machine,

� ds4 = Mots-clés caractérisant le problème.

Partie solution :

� Dc1 = Machine mécanique en cause,

� Dc2 = Intervention (texte),

� Dc3 = Durée d'intervention,

� Dc4 = Cause diagnostiquée sur les pièces,

� Dc5 = Mots-clés caractérisant la solution.

Nous donnons dans la table 5.2 un aperçu sur des cas sources :

5.3.5.2 Cycle de raisonnement par cas

le raisonnement à base de cas vise résoudre de nouveaux problèmes en les com-

parant aux cas sources enregistrés dans la base de cas. Dans notre travail, nous

exploitons les étapes d'élaboration, de remémoration basée sur le calcul de si-

milarité entre deux cas et de mémorisation telles qu'elles sont décrites dans la

sous-section 3.4.4.

Les étapes exploitées peuvent être décrites comme suit :


Problème Solution(s)

Moteur électrique du tambour est grillé Rebobinage du moteurDégagement de la fumée Changement de l'isolant thermique

(laine de verre)Blocage du rouleau de pré-contact Changement de la plaque de frein de la

chaineBlocage du retour de l'eau brut Changement de la vanne pneumatiqueBlocage de la pince du grappin Redressement et alignement de l'arbre ;

changement des pinces

Table 5.2: Exemples de cas sources

1. L'élaboration d'un nouveau problème (cas cible) : représente l'acqui-

sition des informations connues sur le nouveau problème, pour lui donner

une description initiale. Elle inclut : la structuration, la modélisation et la

représentation du cas. Ce dernier doit être représenté d'une manière similaire

à un cas source (voir la sous section 5.3.5.1).

2. La remémoration des cas (sources) : recherche les cas les plus similaires.

La recherche des correspondances entre les descripteurs des cas de la base et

ceux du cas à résoudre. Di�érentes techniques peuvent être utilisées comme :

le calcul d'un degré d'appariement des descripteurs (similarité entre deux

cas), la pondération éventuelle des descripteurs, etc.

3. La mémorisation d'un nouveau cas : notre système ajoute le cas cible

dans la base de cas. Dans cette phase notre système synthétise, modi�e et

apprend de nouvelles connaissances.

Nous expliquons dans ce qui suit en détails l'étape de remémoration.

5.3.5.3 Recherche d'un cas (remémoration)

Pour résoudre les problèmes liés au domaine du non-tissé, nous faisons appel aux

expériences des industriels. Nous remémorons les situations semblables déjà ren-

contrées dans une base de cas. Puis nous les comparons à la situation actuelle

pour construire une nouvelle solution qui, à son tour, s'ajoutera à l'expérience du

système.

Notre système recherche les cas les plus similaires, il recherche des correspondances

entre le descripteur Mots-clés des cas sources et ceux du cas à résoudre (cible).


A�n de déterminer le degré de similarité entre deux cas, nous nous appuyons

sur les approches basées sur les arcs a�n de mieux exploiter notre ontologie de

domaine. Ce type de mesure se sert de la structure hiérarchique de l'ontologie qui

est représentée par un graphe dont les n÷uds sont des concepts, et les arcs sont

les liens entre ces concepts, et cela pour déterminer la similarité sémantique entre

les concepts qui peut être calculée à partir du nombre de liens qui séparent les

deux concepts. Parmi les travaux basés sur le comptage d'arcs, nous citons : la

Mesure de (Wu & Palmer, 1994), (Rada et al., 1989), (Ehrig & Staab, 2004) et

(Zargayouna & Salotti, 2004).

A�n de déterminer la mesure la plus adaptée à notre cas, nous avons mener une

étude comparative théorique et pratique ; la comparaison théorique a montré que

la mesure de (Wu & Palmer, 1994) est meilleure que les autres car elle calcule la

similarité intra-ontologie (détaillée en annexe). Via cette mesure, nous calculons

la similarité entre deux cas, en se basant sur la distance séparant le descripteur

Mots-clés. La distance dans l'ontologie se caractérise par le plus court chemin qui

implique un ancêtre commun ou le plus petit généralisant, qui connecte potentiel-

lement deux objets à travers descendants communs.

Cette mesure permet une meilleure performance que les autres mesures de simila-

rité (Lin, 1998) et elle n'est pas été a�ectée par le problème de la dispersion des

données (Zargayouna & Salotti, 2004). Nous détaillons la phase de recherche de

solutions dans la �gure 5.6, nous donnons la comparaison pratique dans le chapitre

suivant.

La recherche des solutions s'appuie sur le calcul du degré de ressemblance entre

le descripteur Mots-clés des cas cible et sources indexés dans la BC, selon une

mesure de similarité justi�ée en chapitre 6. Les solutions retenues sont celles où

la similarité est supérieure ou égale au seuil �xé. Dans le cas où aucune solution

n'est retenue le système se redirige vers le processus décisionnel qui rend au moins

une réponse. Les participants (experts, opérateurs) sont tenus à donner au moins

une proposition dans le cas d'un nouveau problème qui correspond à un nouveau

cas. La proposition des solutions faite par les participants est suivie du vote qui

consiste à classer ces dernières. Nous donnons plus de détails à travers l'algorithme

1.


Figure 5.6: Phase de recherche de solutions (Benkaddour et al., 2016a)

Algorithme 1 : Rechercher solution(s)Entrées : problème ;Sorties : solution(s) ;

1 valeur ←− 0;2 début3 Identi�cation des éléments pertinents (problème);4 pour (int i=0 ; i ≤ CB.taille() ; i++) faire5 valeur ←− similarité(problème, cas[i]);6 si (valeur ≥ seuil) alors7 solution(s) ←− solution[i];8 �nsi9 �npour

10 si (solution(s).taille = 0) alors11 Exécution du processus de prise de décision();12 Évaluation des solutions();13 �nsi14 �n


� Évaluation des solutions : l'opérateur qui a posté le problème doit évaluer la/les

solution(s) proposée(s) par le système en remplissant le champ de description

de l'échec, l'échec alors devient une expérience enrichissante pour le système.

5.3.5.4 Indexation des cas

Le raisonnement à base de cas n'étant intéressant qu'avec une base importante de

cas, nous avons évidemment envisager l'indexation des cas sources comme solution

permettant de retrouver rapidement les cas similaires.

Il existe de nombreuses façons d'ordonner les cas, nous avons opté pour l'indexation

par mots clés qui utilise une représentation textuelle pour la description du cas.

Les cas sont indexés et classés dans la base de cas suivant les mots clés contenus

dans leur description. Pour e�ectuer une recherche, les mots-clés contenus dans la

table cas sont utilisés pour localiser les cas dont la description contient ces mots.

5.4 Conclusion

Nous avons proposé dans ce chapitre un Système d'Aide à la Décision Collabo-

rative dédié aux employés du non-tissé qui s'appuie sur un processus décisionnel

à base de connaissances, un raisonnement par cas et une ontologie de domaine

conçue à cet e�et. Le système est mis en ÷uvre par une plateforme collaborative ;

cette dernière est considérée comme un portail de collaboration entre les di�érents

opérateurs du non-tissé. Nous avons présenté une architecture qui comprends dix

(10) composants. Le moteur de raisonnement est doté d'un processus d'aide à la

décision collaborative basé sur la connaissance lui permettant d'élaborer des dé-

cisions e�caces. Nous avons décrit en détails les étapes de création de l'ontologie

de domaine conçu pour le domaine du non-tissé, de plus nous avons présenté un

raisonnement par cas à �n d'expliciter la manière de proposition des solutions aux

problèmes postés par les opérateurs de la plateforme, cette proposition s'appuie

sur une étude de similarité entre problèmes.

Dans le chapitre suivant, nous présenterons les outils de développement de notre

plateforme, et les di�érents scénarios d'exécution en détails. Ensuite, nous discu-

terons les résultats obtenus et nous terminerons par la validation de notre système

SADC.

Chapitre 6

Implémentation et mise en ÷uvre

du système SADC

6.1 Introduction

La dernière phase de notre thèse consiste en la mise en place de la solution logicielle

présentée dans le chapitre 5. Aussi, ce chapitre présente l'implémentation et la

mise en ÷uvre du système SADC. Il est structuré comme suit : la section deux

est consacrée à la description des outils logiciels utilisés lors du développement

de notre système à savoir le SGBD MySQL, etc. La section trois est dédiée au

scénarios d'exécution. La section quatre est consacrée à la discussion des résultats

points de vue évaluation, validation de notre système et aussi à l'évaluation de

notre plateforme collaborative. Nous terminerons ce chapitre par une conclusion.

6.2 Outils de développement

6.2.1 JAVA

Java est un langage de programmation à usage général, évolué et orienté objet.

Ses caractéristiques ainsi que la richesse de son écosystème et de sa communauté

lui ont permis d'être le choix préféré pour le développement de notre plateforme.

Nous avons utilisé les JavaServer Pages ou JSP qui sont une technique basée sur

99

Chapitre 6. Implémentation et mise en ÷uvre du système SADC 100

Java et qui permettent aux développeurs de créer dynamiquement du code HTML,

XML ou tout autre type de page Web (Wikipedia, 2016b).

6.2.2 Systèmes de gestion de base de données utilisés

Une base de données permet de mettre des données à la disposition des utilisateurs

pour une consultation, une saisie ou bien une mise à jour, tout en respectant leurs

droits. La gestion de la base de données se fait grâce à un système appelé système

de gestion de bases de données (SGBD).

Un SGBD est un ensemble de services (applications logicielles) permettant de gérer

les bases de données : accéder aux données d'une façon simple, d'autoriser un accès

aux informations à de multiples utilisateurs et de manipuler les données présentes

dans la base de données, etc. Pour notre plateforme, nous avons opté au choix de

SGBD MySQL pour la consultation et l'extraction des informations indispensables

pour répondre aux requêtes externes provenant de l'utilisateur (Wikipedia, 2016d).

MySQL

MySQL est dérivé de SQL (Structured Query Language), en français, langage

de requête structurée. C'est un système de gestion de base de données relation-

nel. Concrètement, SQL permet de dialoguer avec une base de données en langage

presque courant. SQL s'utilise surtout via une fenêtre de commande, MySQL s'uti-

lisant via un langage de programmation, PHP étant le langage de prédilection de

MySQL. Le meilleur moyen de se mettre à MySQL et de progresser est d'installer

EasyPHP. EasyPHP est un logiciel freeware qui crée un environnement serveur

complet à la fois pour PHP et MySQL.

6.2.3 Protégé

Nous avons créé notre ontologie de domaine à l'aide de l'outil Protégé qui est

un éditeur d'ontologies distribué en open source par l'université en informatique

médicale de Stanford. Protégé n'est un outil spécialement dédié à OWL, mais un

éditeur hautement extensible, capable de manipuler des formats très divers.


Les applications développées avec Protégé sont employées dans la résolution des

problèmes et la prise de décision dans un domaine particulier. Protégé est une pla-

teforme extensible, grâce au système de plug-ins, qui permet de gérer des contenus

multimédias, interroger, évaluer et fusionner des ontologies, etc. L'outil Protégé

possède une interface utilisateur graphique (GUI) lui permettant de manipuler

aisément tous les éléments d'une ontologie : classe, méta-classe, propriété, ins-

tance,etc. Il peut être utilisé dans n'importe quel domaine où les concepts peuvent

être modélisés en une hiérarchie des classes. Protégé permet aussi de créer ou

d'importer des ontologies écrites dans les di�érents langages d'ontologies tels que :

RDF-Schéma, OWL, DAML, OIL, etc. Cela est rendu possible grâce à l'utilisation

de plugins qui sont disponibles en téléchargement pour la plupart de ces langages

(Stanford-University, 2007).

6.2.4 API JENA

Jena est un Framework (de HP société), c'est un cadre de travail java open source

permettant de construire des applications de Web sémantique, elle fournit un en-

vironnement de programmation pour RDF, RDFS et OWL ainsi qu'un moteur

d'inférence basé sur les règles. Utilise RDQL (RDF Data Query Language) qui est

un langage d'interrogation du RDF (Developpez.com, 2016).

6.2.5 Netbeans

Notre plateforme est une application java réalisée en utilisant l'environnement

NetBeans qui est un environnement de développement intégré (IDE) pour Java,

placé en open source par Sun en juin 2000 sous licence CDDL (Common Deve-

lopment and Distribution License). En plus de Java, NetBeans permet également

de supporter di�érents autres langages, comme Python, C, C++, XML et HTML.

Il comprend toutes les caractéristiques d'un IDE moderne (éditeur en couleur,

projets multi-langage, éditeur graphique d'interfaces et de pages Web)(Wikipedia,

2016e).


6.2.6 Apache Tomcat

Apache Tomcat est un conteneur libre de servlets et JSP Java EE. Issu du

projet Jakarta, c'est un projet principal de Apache Software Foundation. Il implé-

mente les spéci�cations des servlets et des JSP du Java Community Process, est

paramétrable par des �chiers XML et de propriétés, et inclut des outils pour la

con�guration et la gestion. Il comporte également un serveur HTTP (Wikipedia,

2016a).

Principe de fonctionnement de Tomcat

Tomcat est souvent utilisé en association avec un autre serveur Web plus généra-

liste, en général Apache :

� Le serveur Web s'occupe des pages Web traditionnelles (.html, .php par exemple),

� Il délègue à Tomcat les pages relevant spéci�quement d'une application Web

Java (Servlet, JSP, etc.).

6.3 Scénarios d'exécution

Nous expliquons le principe de fonctionnement global du système SADC à travers

trois scénarios d'exécution.

6.3.1 Scénario 01 : Cas d'un nouveau problème

Dans le but de résoudre un problème de panne de machine. L'opérateur se connecte

à la plateforme collaborative, comme il est montré aux �gures 6.1 et 6.2.

En cas d'oubli, il peut récupérer(changer) son mot de passe comme il est montré

à la �gure 6.3.

L'opérateur accède à son espace privé et peut à tout moment compléter ses préfé-

rences voir �gure 6.4.

Il poste son problème et rajoute un ensemble de mots-clés voir �gure 6.5, le sys-

tème lui propose quelques-uns. Le processus d'aide à la décision collaborative et

maintenant en cours d'exécution.


Figure 6.1: Identi�cation d'un opérateur

Figure 6.2: Inscription d'un nouvel opérateur

Figure 6.3: Récupération du mot de passe d'un opérateur


Figure 6.4: Pro�l d'un opérateur

Figure 6.5: Poster un problème

Un facilitateur est élu, il envoie des invitations de participation aux opérateurs

connectés (grâce aux privilèges accordés par l'administrateur de la plateforme)

montré à la �gure 6.6. Une fois les acceptations retournées (au minimum 3), les

opérateurs deviennent participants et une session de collaboration est démarrée.

La session de collaboration est caractérisée par une durée qui ne dépasse pas les

1440mn ou 24h.

Le problème posé par le facilitateur est clair et précis (compréhensible). Les par-

ticipants proposent des solutions. Dans le cas où aucune solution n'est proposée,

le facilitateur fait appel à l'avis de l'expert du domaine.


Figure 6.6: Liste des participants connectés à la plateforme

Le facilitateur partage la liste des solution(s) avec les participants, le problème

devient un problème résolu. Il est stocké dans la base de cas. La session de colla-

boration est clôturée comme cela est montré à la �gure 6.7. Toute fois, le groupe

Figure 6.7: Une session de collaboration

de collaboration (facilitateur et participants) peut redémarrer une nouvelle session

de collaboration et résoudre un nouveau problème.


6.3.2 Scénario 02 : Diagnostic en utilisant la base de cas

Après l'étape d'identi�cation, l'opérateur est invité à poster son problème via la

plateforme collaborative (module de visualisation). Le système lui propose une

liste de mots-clés, l'opérateur a la possibilité d'en rajouter ou de supprimer. Les

mots-clés proposés correspondent aux concepts de l'ontologie de domaine (module

de similarité).

Le problème ainsi que son descripteur (mots-clés) sont enregistrés dans la base

de données plus précisément dans le module de données. Ensuite, la requête de

l'opérateur est transmise du module gestion des requêtes vers le moteur de raison-

nement où le processus d'aide à la décision collaborative est déclenché.

Après l'élection du facilitateur (qui peut être celui qui a posé le problème), une

session de collaboration est initiée. Le système véri�e à travers sa base de connais-

sances qui contient plus de 69 cas sources (voir �gure 6.8), si le problème a été

résolu et récupère dans ce cas ses solutions. La �gure 6.9 montre la fréquence de

pannes par machine.

Figure 6.8: Aperçu des cas sources


Figure 6.9: Fréquence de pannes par machine

A la �n, l'opérateur évalue la plateforme en répondant au questionnaire qui lui est

proposé montré à la �gure 6.10.

Figure 6.10: Questionnaire d'évaluation de la plateforme soumis à l'opérateur

Quant à l'administrateur de la plateforme, en plus de gérer la base de connaissances

montré à la �gure 6.11, il a la responsabilité de gérer la plateforme collaborative.

Nous montrons par la �gure suivante quelques taches d'administration.


Figure 6.11: Aperçu des opérateurs de la plateforme collaborative

6.3.3 Scénario 03 : Classi�cation des solutions en utilisant

le vote

Prenons un exemple concret pour illustrer le fonctionnement du vote. Rappelons

tout d'abord que les notes des opérateurs sont comprises entre 1 et 10 et que 10

est la meilleure note possible. Le choix du classement des solutions se fait donc en

prenant les solutions en ordre décroissant de la meilleure note vers la moins bonne.

Dans cet exemple, quatre solutions sont présentes : de S1 à S4 et le facilitateur

propose le vote à trois opérateurs : O1, O2 et O3. Il établit un pré classement des

solutions, ce pré classement est montré par la note donnée à chaque solution. Nous

expliquons dans ce qui suit le classement des solutions en utilisant le vote selon

deux cas : avec ou sans égalité des solutions.

6.3.3.1 Cas sans con�it ou d'inégalité des solutions

La table suivante montre les notes respectives des solutions pour chaque opérateur

ainsi que l'ordre établi par le facilitateur.

Selon la table 6.1 l'ordre donné par le facilitateur est S1, S2, S3, S4, cet ordre se

base sur la mesure de (Seco et al., 2004). L'opérateur 1 classe les solutions de cette

manière S2, S3, S1, S4, quant à l'opérateur 2, il préfère l'ordre suivant S3, S4, S2,

S1. L'opérateur 3 donne l'ordre suivant : S1, S2, S4, S3.


Solution Facilitateur O1 O2 O3

S1 10 08 01 10

S2 08 10 07 08

S3 05 09 10 02

S4 02 03 09 05

Table 6.1: Score des solutions attribué par les opérateurs

Après le vote le facilitateur calcule le score obtenu pour chaque solution selon la

formule suivante :

Score(Si) =n∑

j=0

notej (6.1)

� notej est la note donnée par chaque participant au vote,

� n est le nombre de participants dans le vote à savoir les opérateurs et le fa-

cilitateur sachant que le facilitateur n'intervient que durant le premier tour

seulement,

� i est la solution pour laquelle les participants doivent voter.

Score (S1) = 10 + 8 + 1+ 10 = 29

Score (S2) = 8 + 10 + 7 + 8 = 33

Score (S3) = 5 + 9 + 10 + 2 = 26

Score (S4) = 2 + 3 + 9 + 5 = 19

Le facilitateur partage cette liste de solutions : S2, S1, S3, S4, comme cela est

montré à la �gure 6.12.


Figure 6.12: Aperçu d'une session de collaboration clôturée

La table 6.2 représente un ensemble de solutions concrètes du non-tissé.

Numéro Solution

S1 Changement de la vessieS2 Véri�cation de la partie communication et la partie

puissanceS3 Débouchage de la crépineS4 Mesurer le PH de l'eau

Table 6.2: Solutions proposées par les opérateurs


Si nous considérons les solutions ci-dessus le classement devient donc :

1. Véri�cation de la partie communication et la partie puissance (S2),

2. Changement de la vessie (S1),

3. Débouchage de la crépine (S3),

4. Mesurer le PH de l'eau (S4).

6.3.3.2 Cas de con�it ou d'égalité des solutions

Dans le cas ou deux ou plusieurs solutions sont égales, le facilitateur lance un

second tour de vote entre les opérateurs montré à la table 6.3.

Solution Facilitateur O1 O2 O3

S1 10 08 01 10

S2 08 10 07 08

S3 06 09 10 04

S4 02 03 09 05

Table 6.3: Priorité donnée aux solutions par les participants du vote

Score (S1) = 10 + 8 + 1+ 10 = 29

Score (S2) = 8 + 10 + 7 + 8 = 33

Score (S3) = 5 + 9 + 10 + 2 = 29

Score (S4) = 2 + 3 + 9 + 5 = 19

Les solutions S1 et S3 sont égales avec un score de 29, le facilitateur relance le

vote entre les opérateurs pour les solutions S1 et S3 voir la table 6.4.


Solution O1 O2 O3

S1 09 10 07

S3 08 06 10

Table 6.4: Priorité donnée aux solutions par les operateurs en cas d'égalité

Score (S1) = 9 + 10 + 7 = 26

Score (S3) = 8 + 6 + 10 = 24

Le classement �nal des solutions devient donc : S2, S1, S3, S4 qui se traduit par :

1. Véri�cation de la partie communication et la partie puissance,

2. Changement de la vessie,

3. Débouchage de la crépine,

4. Mesurer le PH de l'eau.

Cette formule de score permet de tenir compte des préférences de chaque opérateur

ainsi que le facilitateur pour chaque solution proposée. Elle permet au facilitateur

d'aboutir plus rapidement à un classement des solutions. De plus, les solutions no-

tées et qui ne présentent pas d'égalité avec d'autres solutions ne sont pas proposées

dans le nouveau vote.

L'opérateur qui à poser le problème teste les solutions proposées, dans le cas où

la/les solutions ne fonctionnent pas, il remplit un formulaire pour décrire l'échec,

comme cela est montrée à la �gure 6.13.


Figure 6.13: Formulaire de description de l'échec

6.4 Discussion des résultats

6.4.1 Évaluation du système SADC

D'après notre connaissance, il n'existe pas de système d'aide à la décision qui

résout des problèmes de diagnostic industriel dédié au domaine du non-tissé de

façon adéquate. Le travail développé ici est le premier système. L'évaluation de

notre système d'aide à la décision collaborative passe par deux cas.

6.4.1.1 1er cas : La résolution de problèmes avec l'intervention de l'ex-

pert

Selon notre analyse, nous pouvons dire que quand l'entreprise INOTIS fait face à

une panne majeure (grave), elle demande l'intervention de l'expert du domaine. Ce

dernier devra minimiser les dégâts et les conséquences pouvant causer l'arrêt du

système ou procéder à une révision annuelle des machines. Cependant, l'expert du

domaine n'est pas toujours disponible de suite, ceci peut être fatal pour l'entreprise,

si la production est en arrêt ou bien le produit est défectueux, tout cela engendrera

une baisse du chi�re d'a�aire de l'entreprise. La venue de l'expert est couteuse car


elle engendrera des couts liés au déplacement et à la prise en charge totale en

nombre de jours en plus des couts de réparation de la machine. Notre plateforme

propose dans ce cas de contacter l'expert au moindre cout, en lui envoyant une

noti�cation et une description de la panne. S'il collabore dans le processus de prise

de décision, il pourra donner la solution sans avoir à se déplacer. L'avis de l'expert

est ensuite enregistré dans la base des cas et peut être réutilisé dans le traitement

des problèmes similaires. La table 6.5 résume l'intervention de l'expert en nombre

de jours et en cout, depuis le lancement de la production (INOTIS, 2015).


Année

Machine

Typede

panne

Diagnostic

Solution

Provenance

d'expert

(pays)

Coutde

répara-

tion

Fraisde

l'expert

2010

Pom

pes

HP

Majeure

Baissede

pression

etpiston

endommagés

Changem

entde

piston

etchem

ises

France

10.000,00

euros

1.700,00

euros

Table6.5:Intervention

del'expertdansl'entreprise

INOTIS


6.4.1.2 2me cas : La résolution de problèmes sans l'intervention de l'ex-

pert

En règle générale, l'entreprise INOTIS suit une méthode traditionnelle qui consiste

à régler les problèmes de pannes de machines en remplaçant la pièce défectueuse

par une pièce équivalente provenant du stock de pièces de rechange. Le service

de maintenance enregistre des pannes répétitives pouvant se répéter plusieurs fois

par jour, par mois ou par année. Notre plateforme o�re dans ce cas des solutions

testées déjà enregistrées dans la base des cas. Si le cas rencontré est nouveau alors

elle propose à ses opérateurs de démarrer une session de collaboration comme il est

décrit dans les scénarios d'exécution. Après avoir fait plusieurs tests nous sommes

arrivés à ce résultat, notre système peut éviter en moyenne 5.47% de pannes par

an ce qui permet à l'entreprise d'augmenter sa production. La table 6.6 donne une

idée sur la fréquence des pannes des machines au cours du mois de juin 2015 et la

procédure suivie pour les régler.


Machine

Panne

Typede

panne

Duréede

lapanne

Fréquence

Solution

Pièce

de

rechange

Systèm

etraitement

d'eau

pond

etracleur

DAFFI

répétitive

08H

12fois/m

ois

changementdesmodules

decommun

ication

modules

UD73

Systèm

etraitement

d'eau

température

élevé

ducom-

presseur

répétitive

04H

06fois/m

ois

changement

�ltre

àl'huileet

du�ltreàair

�ltreàl'huile

et�ltreàAir

(Air

Alac)

Aquajet

arrêtHP02

répétitive

02H

12fois/m

ois

réparation

duvariateur

162

modulecommu-

nication

UD70

Aquajet

arrêtventilateur

decirculation

répétitive

02H

10fois/m

ois

réparation

duvariateur

192

moduleIG

BTet

Condensateur

Table6.6:Fréquence

des

pannes

demachines

durant

Juin

2015


La �gure 6.14 montre une estimation de la production annuelle de l'entreprise

INOTIS durant l'année 2015 avec et sans l'utilisation du système SADC.

Figure 6.14: Estimation de la production annuelle de l'entreprise INOTIS du-rant l'année 2015

6.4.2 Validation par rapport au raisonnement à base de cas

Le calcul de similarité entre les cas permet de reconnaitre les cas similaires et

par conséquent mettre à jour la base. Cette méthode permet de gagner du temps

pendant le diagnostic. Notre base de cas comporte plus de 69 cas enregistrés de-

puis l'année 2009 à INOTIS. Ces cas ont été établis à partir de PVs de réunions,

entretiens avec les responsables de l'entreprise, etc. après être �ltrés et reformulés.

Nous proposons dans ce qui suit une étude comparative pratique entre trois (3)

mesures de similarité sémantique à savoir la mesure de (Rada et al., 1989), (Wu

& Palmer, 1994) et (Seco et al., 2004) détaillées en annexe, puis nous déterminons

la mesure utilisée par notre système.

Pour remémorer les cas similaires dans une base de cas, nous nous basons pour

le calcul de similarité sur les mots-clés spéci�ques au domaine du non-tissé qui

représentent en réalité des concepts de l'ontologie du domaine (voir la table 6.7).

De cette manière, la dispersion de l'analyse est réduite. Cette approche repose

principalement sur l'ontologie que nous avons développée. La di�culté dans le


développement de cette ontologie provenait du fait que la dé�nition des termes

(concepts) spéci�que a été une tache un peu di�cile étant donné le domaine in-

dustriel considéré dans notre étude. A�n de déterminer la meilleure mesure de

similarité, nous avons mené une étude comparative entre les mesures de similarité

sémantique plus précisément les mesures sémantiques à base de distance taxono-

mique.

id Problème Mots-clés

Cas source 6 Fuite de gazAzote

Pompe HP,HP2, Vessie

Cas cible 21 Fuite d'huile degraissage

HP4, Pompe HP

Table 6.7: Cas choisis pour illustrer l'expérience

Nous avons e�ectué cette comparaison en prenant un échantillon de vingt (20) cas

sources les plus représentatifs de la BC dont huit (8) cas pertinents et onze (11)

autres non pertinents. Sachant qu'un cas pertinent est un couple de problème et

une seule solution ; un cas non pertinent est un couple de problème et un ensemble

de solutions, la �gure 6.15 montre cet échantillon. A �n de mieux expliquer cette

étude comparative, nous prenons un exemple pour chaque mesure. Selon plusieurs

expérimentations, nous avons conclu que le seuil de similarité le plus convenable à

cette étude est de 0.5, un seuil supérieur à 0,5 donnerai les mêmes solutions pour

chaque mesures.


Figure 6.15: Échantillon de cas sources

La �gure 6.16 donne un aperçu sur les concepts de notre ontologie de domaine

utilisée durant le calcul de similarité par les trois (3) mesures.

Figure 6.16: Aperçu de l'ontologie de domaine


A�n de comparer la pertinence des mesures étudiées, nous nous �ons aux indica-

teurs de pertinence suivants :

� La précision : (P = aa+b

) qui permet de calculer le ratio des résultats pertinents

retrouvés (a) par rapport aux résultats non pertinents retrouvés (b) ; elle mesure

la capacité du système à refuser les solutions non-pertinentes.

� Le rappel : (R = aa+c

) qui permet de calculer le ratio des résultats pertinents

retrouvés par rapport aux résultats pertinents non trouvés (c) ; il mesure la

capacité du système à donner toutes les solutions pertinentes.

� Le F-mesure : (F = 2∗R∗PR+P

) qui permet de combiner et de pondérer les deux

indicateurs P et R. En e�et, ce critère permet de juger la pertinence des di�é-

rentes mesures de similarité ; il mesure la capacité du système à donner toutes

les solutions pertinentes et à refuser les autres.

Exemple selon (Rada et al., 1989)

La table suivant montre les résultats obtenus lors des calculs de similarité. La

similarité est comprise entre [0,1].

dist(V essie,HP4) = 3

SimRadaetal(V essie,HP4) =1

1 + dist(V essie,HP4)= 0.25

La table 6.8 montre les résultats obtenus lors des calculs de similarité entre mots-

clés, Le seuil de similarité est �xé à 0.5.

Mot-clé/Mot-clé Pompe HP HP2 Vessie

HP4 0,5 0,33 0,25

Table 6.8: Similarité entre mots-clés

Les solutions proposées au problème de Fuite d'huile de graissage sont :


2. Mesurer le PH de l'eau process, véri�cation des pompes doseuses de produits

chimiques, véri�cation du système ADT, mettre le système en mode manuel,

faire le contre lavage des cellules, changer les poches �ltrantes de 05 microns.


Nous obtenons les résultats présentés dans la table 6.9 :

Précision Rappel F-mesure

50% 12,5% 20%

Table 6.9: Résultats de calcul des indicateurs de pertinence P,R et F pour lamesure (Rada et al., 1989)

Exemple selon (Wu & Palmer, 1994)

La table suivante montre les résultats obtenus lors des calculs de similarité. La

similarité est comprise entre[0,1]. Nous considérons de mots-clés identiques ayant

la valeur égale à 1 et di�érents si la valeur obtenue est de 0 (voir la table 6.10).

SimWP (V essie,HP4) =2 ∗ 4

1 + 2 + 2 ∗ 4= 0,54

N(PompeHP ) = 4

N1(PompeHP, V essie) = 2

N2(PompeHP,HP4) = 1

Mot-clé/Mot-clé Pompe HP HP2 Vessie

HP4 0,67 0,80 0,54


Le seuil de similarité est �xé à 0.5. Les solutions proposées (ordonnées selon le

nombre de mots-clés quelles contiennent) au problème de Fuite d'huile de graissage

sont :

1. Changement de la vessie,

2. Véri�cation de la partie communication et la partie puissance,





faire le contre lavage des cellules, changer les poches �ltrantes de 05 microns.

Nous obtenons les résultats présentés dans la table 6.11.


50% 25% 33,33%

Table 6.11: Résultats de calcul des indicateurs de pertinence P,R et F pour lamesure (Wu & Palmer, 1994)

Exemple selon (Seco et al., 2004)

Les résultats présentés ci-dessous ne sont pas a�ectés par la variation du seuil de

similarité, car la valeur obtenue selon un concept donné ne change que si l'ontolo-

gie change.

SecoetalV essie = 0,262

hypo(V essie) = 6

maxontologie = 200

Mot-clé/Mot-clé

Pompe HP HP2 Vessie HP4

Valeur 0,331 0,294 0,262 0,294


Les solutions proposées au problème de Fuite d'huile de graissage sont :

1. Changement de la vessie ;

2. Véri�cation de la partie communication et la partie puissance ;


3. Débouchage de la crépine ;



faire le contre lavage des cellules, changer les poches �ltrantes de 05 microns,

Nous obtenons les résultats présentés dans la table 6.13 :


50% 25% 33,33%

Table 6.13: Résultats de calcul des indicateurs de pertinence P,R et F pour lamesure (Seco et al., 2004)

Étude comparative pratique entre les mesures de similarité

La �gure 6.17 montre que, plus une courbe est haute et plus la concentration des

solutions pertinentes est élevée en début de liste de solutions restituées, ce qui est le

but recherché : la mesure de Wu & Palmer ainsi que de Seco et al. sortent vainqueur

de cette comparaison, du moins jusqu'au taux de rappel de 25%. La mesure de

Rada et al. est bien en dessous de Wu & Palmer, Seco et al. ce qui con�rme notre

choix théorique antérieure. Cette étude a été menée sur un ensemble de cas sources

dont 8 solutions pertinentes et 12 non pertinentes.


Figure 6.17: Résultats de la comparaison entre mesures de similarité (Benkad-dour et al., 2016a)

6.4.3 Évaluation de la plateforme

Nous évaluons notre plateforme collaborative à travers les réponses des opérateurs

au questionnaire qui leur est proposé. Nous avons conçu un questionnaire fermé

dont les questions imposent une forme précise de réponses, nous avons choisi ce

type de questionnaire car il présente l'avantage de permettre un traitement sta-

tistique d'une façon simple, les questions sont classées en cinq (5) catégories : ac-

cessibilité et adaptabilité, convivialité et temps de réponse, sécurité et assistance,

fonctionnalité et e�cacité, clarté et présentation. Nous donnons des exemples de

questions sur chaque catégorie aux tables 6.14, 6.15, 6.16, 6.17 et 6.18.

La �gure 6.18 montre le taux de réponses des opérateurs par rapport à chaque

catégorie.


Numéro Question

Q1

Avez-vous des problèmes pour vous connecter à votre compte ?

Q2

Pouvez-vous vous connecter facilement à votre compte ?

Q3

Comment avez-vous connu cette plateforme ?

Q4

Pouvez-vous changer la police du texte ?

Table 6.14: Quelques questions de la catégorie accessibilité et adaptabilité

Numéro Question

Q1

Attendez-vous beaucoup de temps pour obtenir des réponses à vosquestions ?

Q2

Trouvez-vous facilement ce que vous cherchez ?

Q3

Avez-vous des di�cultés à vous connecter à la plateforme ?

Q4

Avez-vous des problèmes pour communiquer avec d'autres partici-pants ?

Q5

Trouvez-vous cette interface conviviale ?

Table 6.15: Quelques questions de la catégorie convivialité et temps de réponse

Nous avons proposé le questionnaire composé de cinq (5) catégories citées ci-

dessus à vingt-sept (27) des utilisateurs de la plateforme. Après la réponse des


Numéro Question

Q1

Êtes-vous entièrement protégé ?

Q2

Avez-vous des partager vos données avec d'autres participants ?

Q3

Trouvez-vous cette plateforme sure ?

Q4

Trouvez-vous les fenêtres de con�rmation utile ?

Table 6.16: Quelques questions de la catégorie sécurité et assistance

Numéro Question

Q1

Est-ce que la plateforme est facile à utiliser ?

Q2

Est-ce que la plateforme vous o�re la possibilité à : travailler en ré-seaux, connaitre de nouvelle personne ou d'accroitre votre connais-sance ?

Q3

Est-ce que vos informations personnels sont publique ?

Q4

est-ce que les participants répondent à vos problèmes ?

Q5

Est-ce que les informations sont variées ?

Table 6.17: Quelques questions de la catégorie fonctionnalité et e�cacité

utilisateurs, nous avons obtenu les résultats présentés dans la �gure 6.19. Selon

ces résultats, nous avons conclu que notre plateforme devrait être améliorée en


Numéro Question

Q1

Est-ce que les informations sont faciles à lire ? (Oui, Non)

Q2

Trouvez-vous les logos utiles ?

Q3

Pouvez-vous visualiser le contenu de la plateforme facilement ?

Q4

Pensez-vous que les informations sont bien organisées ?

Table 6.18: Quelques questions de la catégorie clarté et présentation

Figure 6.18: Réponses des opérateurs de la plateforme au questionnaire

terme de convivialité, de temps de réponse, de sécurité et d'assistance.


Figure 6.19: Taux de satisfaction de 27 utilisateurs par rapport à chaque ca-tégorie

6.5 Conclusion

Ce chapitre rapporte en résumé les di�érentes étapes que nous avons suivies pour

l'implémentation de notre système. Il dé�nit les outils utilisés tels que les SGBD

MySQL d'une part et d'autre part Protégé et API JENA pour l'ontologie de


domaine. Nous avons suivi la démarche de conception citée dans le chapitre précé-

dant. Nous avons illustré par quelques pages écran notre plateforme collaborative

et le déroulement des scénarios d'exécution.

Chapitre 7

Conclusion générale et perspectives

L'industrie du non-tissé est un domaine en plein e�ervescence vu les nombreux

avantages qu'elle présente dans la production du textile de bonne qualité à moindre

coût et grandes quantités. Les non-tissés sont utilisés couramment dans le domaine

médical pour les blouses ou les draps jetables.

La thèse que nous avons développée s'intéresse au domaine du non-tissé et se

propose comme une contribution scienti�que et industrielle pour le diagnostic des

pannes pouvant survenir en milieu industriel et durant la production du non-

tissé. Rappelons que le diagnostic d'un système matériel désigne toute méthode

permettant de déterminer si ce système est a�ecté par un défaut quelconque et de

discriminer l'origine du défaut.

Parce qu'un petit défaut peut avoir de grandes conséquences, le diagnostic des

systèmes industriels est nécessaire. En e�et, dans ce travail, nous avons proposé

un système d'aide à la décision collaborative basé sur une ontologie et des techno-

logies Web 2.0 ; La plateforme de travail collaboratif développée pour l'industrie

du non-tissé est très importante car elle favorise tous les échanges entre les opéra-

teurs, les managers ou les experts qui souhaitent participer à la prise de décision

collaborative.

La plateforme collaborative développée est testée et approuvée par l'entreprise

INOTIS qui est l'entreprise la plus importante en Afrique du Nord dans la fabri-

cation des produits non-tissés. Dans l'absence d'un système, l'entreprise concernée

entamait des procédures de diagnostic manuelles au cours desquelles elle faisant

132

Chapitre 7. Conclusion générale et perspectives 133

appel à des experts étrangers qui revenaient très cher ou elle se contentait de pro-

cédures de réparation locale. Cette dernière (la plateforme collaborative), permet

à ses opérateurs d'échanger et partager leur savoir a�n de mettre en service leur

aide, connaissances, expertises et diagnostics aux di�érents problèmes de pannes

rencontrés au sein de l'entreprise. Devant des procédures incomplètes et souvent

personnelles émanant du responsable de la production, il est devenu nécessaire

de mettre en place une plateforme collaborative simple et �able pour permettre

aux opérateurs de partager des avis ou des diagnostics dans un premier temps.

Elle peut servir aussi d'un espace d'apprentissage pour les utilisateurs qui veulent

découvrir le domaine du non-tissé.

L'originalité de notre système se situe essentiellement dans le mécanisme de prise

de décision collaborative qui présente une particularité : le processus décisionnel est

augmenté par un raisonnement à base de cas. L'ontologie de domaine du non-tissé

constitue une importante source de connaissances. La conception de l'ontologie de

domaine n'a pas été une tache facile, la récole d'informations, leurs �ltrage et la

capitalisation du savoir-faire des experts du domaine nous ont demandé beaucoup

d'e�orts et de temps. Nous avons construit cette ontologie à partir de zéro suite

à de nombreuses entrevues avec les experts du domaine en particulier les experts

du non-tissé ainsi que les chefs de production.

Ayant pour objectif de construire un système d'aide au diagnostic industriel asso-

ciant des solutions à des problèmes, nous avons opté pour un raisonnement à base

de cas (RBC) qui est proposé comme une alternative au raisonnement utilisant

des règles, coûteux en termes d'acquisition de connaissances. De façon plus géné-

rale, nous avons constaté une distinction entre deux motivations pour implanter

un système de RBC, distinction issue de la communauté sur le raisonnement par

analogie : l'analogie heuristique (raisonnement choisi pour son e�cacité (en terme

de temps de calcul, etc.) et l'analogie recours (qui s'intéresse au résultat du raison-

nement (la solution du problème cible), plutôt qu'à l'e�cacité du raisonnement).

Nous avons choisi l'analogie heuristique, qui permet à notre système de rendre

au moins une réponse, le plus rapidement à ses opérateurs souvent impatients de

trouver solution à leur problème.

Nous rappelons dans ce qui suit nos principales contributions :

1. La mise en place d'une plateforme collaborative aux employés du non-tissé

a�n de partager, échanger des expériences ou un savoir-faire pour résoudre

des problèmes de panne des ressources (machines),


2. La capitalisation des connaissances pertinentes pour INOTIS à travers une

ontologie de domaine et la mise en place d'une base de cas regroupant tous

les cas cibles de l'entreprise INOTIS.

Notre système proposé représente le premier système d'aide à la décision qui résout

des problèmes de diagnostic industriel dédié au domaine du non-tissé de façon adé-

quate. Nous validons notre système selon deux points de vues ; nous commençons

d'abord par notre SADC. Ensuite, nous passons à l'évaluation de notre plateforme

collaborative.

� Point de vue validation du système SADC : nous validons notre SADC

via sa capacité à rendre une/des réponse(s) en sollicitant l'avis d'expert et en

l'invitant à collaborer et à donner sa solution sans avoir à se déplacer, et ceci à

travers notre processus d'aide à la décision. Son avis est enregistré dans la base

des cas et peut être réutilisé dans le traitement des problèmes similaires d'une

part. D'autre part, à travers sa capacité à rendre une/des réponse(s) en utilisant

la base de cas. Nous proposons via notre plateforme des solutions testées déjà

et enregistrées. S'il s'agit d'un nouveau cas alors elle propose à ses opérateurs

de démarrer une session de collaboration.

Nous ne sommes pas contentés de valider notre système par rapport à l'inter-

vention d'expert mais aussi à son raisonnement à partir de cas.

Le calcul de similarité entre les cas permet de reconnaitre les cas similaires

et par conséquent mettre à jour la base. Cette méthode permet de gagner du

temps pendant le diagnostic. Nous avons établi une étude comparative entre

trois mesures de similarité selon de critères bien dé�nis a�n d'appuyer notre

choix. Nous concluons que la mesure (Wu & Palmer, 1994) est la mieux adaptée

à notre étude, ce choix permet à notre système de rendre des réponses précises

à ses utilisateurs.

� Point de vue évaluation de la plateforme collaborative : nous évaluons

notre plateforme collaborative à travers les réponses des opérateurs au ques-

tionnaire qui leur est proposé. Nous avons conçu un questionnaire fermé dont

les questions imposent une forme précise de réponses. Le questionnaire est com-

posé de cinq (5) catégories : accessibilité et adaptabilité, convivialité et temps de

réponse, sécurité et assistance, fonctionnalité et e�cacité, clarté et présentation.

Comme tout système informatique, notre système d'aide à la décision collaborative

a nécessité une phase de modélisation durant laquelle, nous avons déployé des

e�orts, consacré beaucoup de temps à analyser, étudier l'existant de l'entreprise à


savoir toutes les machines impliquées dans le processus de fabrication du non-tissé

et les relevés ou �ches de maintenance qui décrivent les pannes qui ont eu lieu. La

collaboration des opérateurs et experts du domaine a été plus que satisfaisante.

Toutefois, la conversion de la connaissance tacite vers la connaissance explicite

exploitée par le système a été une tache fastidieuse. Nous avons multiplié les visites

sur le terrain pour mieux maitriser le fonctionnement de chaque machine et cela

nous a pris une (1) année. Concernant la validation de notre système, la seule

méthode à laquelle nous avons eu recours repose sur l'étude comparative entre les

résultats obtenus de l'application des méthodes traditionnelles (manuelles) suivies

par opérateurs à INOTIS et ceux obtenus après l'exécution de notre système. Notre

choix est justi�é par l'absence d'un autre système travaillant dans le domaine du

non-tissé. Les experts ont joué un rôle très important et nous ont accompagnés

durant tout le processus de développement du système SADC.

De nombreuses perspectives s'o�rent à la suite de nos travaux, nous citons dans

ce qui suit les plus importantes.

� Étendre les expérimentations a�n d'analyser plus en détail l'impact de nos dif-

férentes propositions sur le domaine ;

� Améliorer les interfaces utilisateurs (module de visualisation) pour qu'elles soient

plus conviviales ;

� Mettre en place un système de recommandation des documents basé sur les

préférences des opérateurs (module de recommandation) ;

� Utiliser d'autres méthodes pour décrire la panne (analyse du langage naturel,

etc.) a�n de mieux cerner les attentes des opérateurs ;

� Appuyer la stratégie du facilitateur en utilisant la négociation par argumenta-

tion.

Annexe A

Mesures de similarité sémantique

A.1 Introduction

La notion de similarité est mise en avant dans plusieurs domaines d'activités lies a

l'ingénierie des ontologies tels que l'apprentissage, l'alignement ou encore le peu-

plement d'ontologies. Ces dernières années, de nombreuses mesures dédies à la

dé�nition de la (dis-) similarité entre concepts ont été proposées.

Le calcul de la similarité entre termes repose sur deux approches di�érentes. La

première est purement statistique et dépend entièrement du corpus choisi comme

un espace sémantique (méthodes à base de corpus). Alors que la deuxième approche

est fondée sur la connaissance lexicale du langage humain (méthodes à base de

connaissances).

A travers cette annexe, nous présentons d'abord une dé�nition de la mesure de

similarité et de la similarité sémantique et en ensuite, nous citons les approches

de mesures de similarité ainsi que leur domaine d'application.

A.2 Dé�nitions

A.2.1 Dé�nition de la similarité

En mathématiques et en informatique théorique, une mesure de similarité (aussi

appelée une mesure de distance entre mots) est une métrique qui mesure la distance

136

Annexe A. Mesures de similarité sémantique 137

(l'inverse de la similarité) entre deux chaînes de caractères. Elle intervient dans la

recherche approximative ou la comparaison de chaînes, aussi appelée en Anglais

Fuzzy String Searching (Wikipedia, 2016c).

A.2.2 Dé�nition de la similarité sémantique

La similarité sémantique est une notion qui a été étudiée en psychologie. Elle est

à la base de toute une partie du raisonnement humain. Plusieurs travaux éclairent

cette notion mais la plupart ne respectent pas les qualités attendues d'une distance

(minimaliste, symétrie et inégalité triangulaire).

� Selon(Resnik et al., 1999) la similarité sémantique est : Une évaluation du lien

sémantique a�n d'estimer à quel point deux concepts sont proches dans leurs

sens.

� D'après (Bisson, 2000) similarité est dé�nie comme une fonction dans un univers

U qui peut être modélisé à l'aide d'un quadruplet (La, Ls, T, FS).

� Soit La le langage de représentation utilisé pour décrire les données,

� Soit Ls le langage de représentation des similarités,

� Soit T un ensemble de connaissances que l'on possède sur l'univers étudié,

� Soit FS la fonction binaire de similarité, telle que : FS = La x La ØLs.

A.3 Classi�cation des approches de mesure de si-

milarité sémantique

Dans cette partie nous dé�nissons les approches principales de la mesure de simi-

larité sémantique. Ainsi la �gure A.1 montre de cette classi�cation.

A.3.1 Approches à base de distance taxonomique (arcs)

Ce type de mesure se sert de la structure hiérarchique de l'ontologie (taxonomie)

qui est représentée par un graphe dont les n÷uds sont des concepts, et les arcs

sont les liens entre ces concepts, et cela pour déterminer la similarité sémantique

entre les concepts qui peut être calculée à partir du nombre de liens qui séparent

les deux concepts. Parmi les travaux classi�és sous cette approche nous citons :


Figure A.1: Taxonomie des approches de mesure de similarité sémantique

A.3.1.1 Mesure de (Rada et al., 1989)

Cette mesure de similarité dans un réseau sémantique peut être calculée en se

basant sur les liens hiérarchiques �is-a�. Pour calculer la similarité entre deux

concepts dans une ontologie, nous devons calculer la distance entre les concepts

c'est-à-dire le nombre des arcs minimums qui les séparent par le chemin le plus

court. C'est un moyen pour évaluer la similarité sémantique dans une ontologie

hiérarchique.

SimRadaetal(C1, C2) =1

1 + dist(C1, C2)(A.1)

La mesure utilise une métrique dist (C1, C2), qui indique le nombre d'arcs mini-

mum à parcourir pour aller d'un concept C1 à un concept C2.

Exemple : Selon l'ontologie A.3, soient C1, C2 et C3 les concepts �Person�,

�PostDoc� et �AdministrativeSta��. En appliquant la mesure de Rada et al.,

la valeur de similarité est calculée comme suit :

dist(C1, C2) = 3

SimRadaetal(C1, C2) = 1/(1 + 3) = 0.25

dist(C2, C3) = 3

SimRadaetal(C2, C3) = 1/(1 + 3) = 0.25


A.3.1.2 Mesure de (Wu & Palmer, 1994)

Dans une ontologie, la similarité est dé�nie par rapport à la distance qui sépare

deux concepts dans la hiérarchie et également par leur position par rapport à la

racine. La similarité de Wu & Palmer entre C1 et C2 est :

Simwp(C1, C2) =2 ∗N3

N1 +N2 + 2 ∗N3(A.2)

Où c'est le concept le plus spéci�que qui subsume les deux concepts C1 et C2

c'est-à-dire le plus petit généralisant qui sépare C1 et C2, N3 est le nombre d'arcs

qui sépare c de la racine et dist (Ci, C) le nombre d'arcs qui séparent ci de c, voir

�gure A.2.

Figure A.2: Les relations conceptuelles (Wu & Palmer, 1994)

Exemple : Soit l'ontologie de la �gure A.3, nous dénotons par C1, C2 et C3

les concepts �Person�, �PostDoc� et �AdministrativeSta��. En appliquant la

mesure de Wu & Palmer, la valeur de similarité est calculée comme suit :

Simwp(C1, C2) = 2∗1(0+3+2∗1) = 0.4

Simwp(C2, C3) = 2∗2(2+1+2∗2) = 0.57

A.3.1.3 Mesure de (Hirst & St-Onge, 1998)

La mesure de Hirst & St-Onge prend en considération toutes les relations dans

Word Net. Les liens sont classés comme haut (eg. partie-de), bas (eg. sous-classe),


Figure A.3: Un extrait de l'ontologie UnivBench

horizontal (eg. antonyme). La similarité est calculée entre mots par le poids du

chemin le plus court qui mène d'un terme à un autre. Il est calculé en fonctions

de ces classi�cations qui indiquent les changements de direction.

Sim(C1, C2) = T − chemin− k ∗ d (A.3)

Tels que T et K sont des constantes, chemin est la longueur du chemin le plus

court en nombre d'arcs et d est le nombre de changements de direction. L'idée est

que deux concepts sont proches sémantiquement si leurs synsets sont connectés

par un chemin qui n'est pas très long et qui ne change pas souvent de direction.

S'il n'y a pas de chemin, le poids est égal à zéro.

A.3.1.4 Mesure de (Ehrig & Staab, 2004)

Introduit dans un travail de mesure de similarité pour les ontologies. Ce travail

introduit trois couches : Les données, l'ontologie et le contexte. La similarité des

entités est mesurée au niveau des données en considérant les valeurs de données de

type simple ou complexe (entiers, caractères). Les relations sémantiques entre les

entités sont mesurées au niveau de la couche de l'ontologie. Finalement la couche

du contexte spéci�e comment les entités de l'ontologie sont utilisées dans un certain

contexte externe, plus spéci�quement, le contexte de l'application.


A.3.1.5 Mesure de (Zargayouna & Salotti, 2004)

La mesure est inspirée de celle de (Wu & Palmer, 1994). Le lien père-�ls est ainsi

privilégié par rapport aux autres liens de voisinage en adaptant la mesure de Wu

& Palmer .L'adaptation de la mesure est faite au travers de la fonction de calcul

du degré de spécialisation d'un concept (spec) qui mesure sa distance par rapport

à l'anti-racine.

SimZargayouna(C1, C2) =2 ∗ prof(C)

dist(C1, C) + dist(C2, C) + 2 ∗ prof(C) + spec(C1, C2)(A.4)

spec(C1, C2) = prof(c) ∗ dist(C1, C) ∗ dist(C2, C)

Où prof(C) correspond au nombre maximum d'arcs qui séparent le plus petit

ancêtre commun du concept �virtuel� représentant l'anti-racine.

A.3.2 Approches à base de traits

A.3.2.1 Mesure de (Tversky, 1977)

Avant d'être abordée en TALN, la notion de similarité sémantique a été traitée

dans le domaine de la psychologie cognitive. Un travail souvent cité est (Tversky,

1977) qui propose une nouvelle approche basée sur le recouvrement ou non de traits

entre deux objets. Plus précisément, est considéré comme concept ou signi�cation

rattachée à un objet toute propriété dudit objet. La similarité entre deux objets

est exprimée comme le nombre pondéré de propriétés en commun, auxquelles on

retire le nombre pondéré de propriétés spéci�ques à chaque objet. Il propose donc

un modèle de similarité non symétrique appelé �modèle de contraste�.

Plus formellement, selon la notation de (Pirró et Euzenat, 2010) où ψ(c) est l'en-

semble des traits se rapportant à un sens s, alors la similarité de Tsversky peut

s'exprimer par :

SimTvr(s1, s2) = θF (ψ(s1) ∩ ψ(s2))˘αF (ψ(s1) ψ(s2))˘βF (ψ(s2) ψ(s1)) (A.5)


Où F est une function qui associe une pertinence aux traits, et où θ, α et β sont des

facteurs qui marquent respectivement l'importance relative de la similarité entre

les sens, des dissimilarités entre s1 et s2 et des dissimilarités entre s2 et s1, et où

est l'opérateur de di�érence ensembliste (Tchechmedjiev, 2012).

A.3.2.2 Mesure de (Lesk, 1986)

Lesk a proposé un algorithme de désambiguïsation lexicale très simple, qui consi-

dère la similarité entre deux sens comme le nombre de mots en commun dans leurs

dé�nitions. Dans la version originale, on ne prend pas en compte l'ordre des mots

dans les dé�nitions (sac de mots). Dans ce cadre là, il apparaît que cette méthode

puisse être ramenée à un cas particulier de la similarité de Tsversky (en tant que

rapport ou non), en considérant que les concepts sont des sens de mots, que les

traits sont des mots de la dé�nition des sens, avec α = β = 0, et avec ψ(s) = D(d)

qui retournant un ensemble contenant les mots de la dé�nition d'un sens de mot

s.

Quant à la fonction F est choisie comme la fonction cardinalité d'ensemble (Tchech-

medjiev, 2012). Nous obtenons ainsi :

SimLesk(s1, s2) = |D(s1) ∩D(s2)| (A.6)

A.3.3 Approches à base de contenu informationnel

Cette approche prend en considération le contenu informatif (IC) des concepts de

l'ontologie. La similarité est alors calculée à partir de l'information partagée par

les concepts. Le contenu informatif est dé�ni par :

IC(c) = − log p(c) (A.7)

Où nous avons c un concept, et p(c) la probabilité de lui trouver un de ses des-

cendants dans le corpus. Parmi les mesures basées sur le contenu informationnel,

nous pouvons citer :


A.3.3.1 Mesure de (Resnik, 1995)

La notion du contenu informationnel (IC) a été initialement introduite par Resnik

qui a prouvé que la similarité sémantique entre deux concepts est mesurée par la

quantité de l'information qu'ils partagent. Cette information partagée est égale au

contenu informationnel du plus petit généralisant (PPG) c'est à dire le concept le

plus spéci�que qui subsume les deux concepts dans l'ontologie. La formule proposée

par Resnik est dé�nie par :

SimResnik(C1, C2) = IC(ppg(C1, C2)) (A.8)

Cette mesure est un peu sommaire car elle ne dépend que du concept le plus

spéci�que.

A.3.3.2 Mesure de (Lin, 1998)

Lin a dé�ni une mesure de similarité légèrement di�érente de celle de (Resnik,

1995).

SimLin(C1, C2) =2 ∗ log(P (AC(C1, C2)))

log(P (C1)) + log(P (C2)(A.9)

Cette mesure se base aussi sur le concept d'IC et elle utilise une approche hybride

qui combine deux sources de connaissances di�érentes (Thesaurus, corpus). Les

travaux de (G. A. Miller et al., 1990) ont évalué cette mesure à travers une expé-

rience qui utilise des sujets humains pour évaluer la similarité entre 30 paires de

noms, il en ressort que cette méthode o�re une amélioration signi�cative.

A.3.3.3 Mesure de (Seco et al., 2004)

Cette méthode calcule le contenu informatif des n÷uds à partir de l'ontologie (ou

Wordnet) au lieu d'un corpus. Seco et al. utilisent les hyponymes descendants des

concepts pour calculer le contenu informatif de ceux-ci.

IC(C) = 1− log hypo(C) + 1

log(maxwn)(A.10)


OùHypo(C) est le nombre d'hyponymes du concept C ; et maxwn est une constante

qui indique le nombre de concepts de la taxonomie.

Exemple : Selon l'ontologie A.3, soient C1, C2 et C3 les concepts �Person�,

�PostDoc� et �AdministrativeSta��. En appliquant la mesure de Seco et al., la

valeur de similarité est calculée comme suit :

Nous considérons le nombre de concepts dans cette ontologie égale à 8.

Hypo(C1) = 1, Hypo(C2) = 4

IC(C1) = 0.67

IC(C2) = 0.33

A.3.3.4 Mesure de (Jiang & Conrath, 1997)

Jiang & Conrath ont apporté une nouvelle formule qui consiste à combiner le

contenu informationnel du PPG à ceux des concepts dont on cherche la similarité,

elle prend en considération aussi le nombre d'arcs. La mesure adoptant cette mé-

thode est basée sur la combinaison d'une source de connaissance riche (thesaurus)

avec une source de connaissance pauvre (corpus). Notons que cette formule est

dé�nie par l'inverse de la distance sémantique.

Sim(C1, C2) =1

distance(C1, C2)(A.11)

Sachant que la distance entre C1 et C2 est calculée par la formule suivante :

Distance(C1, C2) = IC(C1) + IC(c2)˘(2 ∗ CI(ppg(C1, C2)))

A.3.4 Approches hybrides

Ces approches sont fondées sur un modèle mixte qui combine les approches basées

sur les arcs et les approches basées sur les n÷uds c'est-à-dire le contenu informa-

tionnel qui est considéré comme facteur de décision.


A.3.4.1 Mesure de (Jiang & Conrath, 1997)

Jiang & Conrath ont apporté une nouvelle formule qui consiste à combiner le

contenu informationnel du PPG à ceux des concepts dont on cherche la similarité,

elle prend en considération aussi le nombre d'arcs. La mesure adoptant cette mé-

thode est basée sur la combinaison d'une source de connaissance riche (thesaurus)

avec une source de connaissance pauvre (corpus). Notons que cette formule est

dé�nie par l'inverse de la distance sémantique.

Sim(C1, C2) =1

distance(C1, C2)(A.12)

Sachant que la distance entre C1 et C2 est calculée par la formule suivante :

Distance(C1, C2) = IC(C1) + IC(c2)˘(2 ∗ CI(ppg(C1, C2)))

A.3.4.2 Mesure de (Leacock et al., 1998)

La mesure de Leacock et al. est une mesure basée sur la longueur du plus court

chemin entre les synsets de Word net. Le plus court chemin est celui qui comprend

le plus petit nombre de n÷uds intermédiaires. Cette mesure est dé�nie comme

suit :

SimLch(C1, C2) = max[− log(length(C1, C2)

(2 ∗D)] (A.13)

Où length(C1, C2) est le plus court chemin entre deux n÷uds et D la profondeur

maximale dans la taxonomie.

A.4 Domaines d'application des mesures de simi-

larité

Les domaines d'application de mesures de similarité sont nombreux. Elles sont

utilisées couramment dans les techniques d'analyse des données pour la détec-

tion de fraudes, comme l'empreinte digitale, la détection du plagiat, et également


dans l'analyse génétique, l'analyse d'image, l'apprentissage automatique, la fusion

d'ontologies et dans les bases de données notamment la déduplication et l'intégrité

référentielle, en�n dans l'exploration de données, dans les interfaces Web comme

les suggestions de complétion dans le style d'Ajax, intégration des représentations

des connaissances (Wikipedia, 2016c).

A.5 Conclusion

Dans cette annexe nous avons classi�é trois grandes familles d'approches pour

l'identi�cation de la similarité sémantique. Nous avons cité, les approches basées

sur les n÷uds utilisant des mesures du contenu informationnel pour déterminer la

similarité conceptuelle. L'autre famille d'approches sur les distances des arcs qui

est basée sur le plus court chemin entre les n÷uds.

Références bibliographiques

Aamodt, A., & Plaza, E. (1994). Case-based reasoning : Foundational issues,

methodological variations, and system approaches. AI communications , 7 (1),

39-59.

Abilian. (2013). Les 4 grandes raisons d'utiliser un outil de collaboration so-

ciale,selon pac. Consulté le 10/04/2016, sur https://www.abilian.com/fr/

news/4-raisons-social-collaboration/

Adla, A. (2010). Aide à la facilitation pour une prise de décision collective :

proposition d'un modèle et d'un outil (Thèse de doctorat non publiée). Université

Toulouse 3 Paul Sabatier.

Ashley, K. D. (1991). Reasoning with cases and hypotheticals in hypo. Interna-

tional Journal of Man-Machine Studies , 34 (6), 753-796.

Aussenac-Gilles, N., Condamines, A., & Sèdes, F. (2006). Evolution et mainte-

nance des ressources termino-ontologique : une question à approfondir . Cépa-

duès.

Barabel, M. (1996). Un style de décision à la française ? Revue française de

gestion , 159-170.

Baranger, P. (1987). Gestion de la production. Paris : Vuibert entreprise.

Baranger, P. (1992). Gestion de la production. VUIBERT, Coll. Gestion.

Bareiss, R. (2014). Exemplar-based knowledge acquisition : A uni�ed approach to

concept representation, classi�cation, and learning (Vol. 2). Academic Press.

Barr, A., & Feigenbaum, E. A. (1981). The handbook of arti�cial intelligence.

Arti�cial Intelligence , 1 , 21-139.

147

https://www.abilian.com/fr/news/4-raisons-social-collaboration/

https://www.abilian.com/fr/news/4-raisons-social-collaboration/


Bechhofer, S., Horrocks, I., & Patel-Schneider, P. F. (2003). Tutorial on owl.

ISWC, Sanibel Island, Florida, 20th October .

Bellut, S. (2002). Les processus de la décision : Démarches, méthodes et outils

(Paris éd.). AFNOR.

Benkaddour, F. Z., Taghezout, N., & Ascar, B. (2016a). A novel agent based-

approach for industrial diagnosis : A combined use between case-based reasoning

and similarity measures. International Journal of Interactive Multimedia and

Arti�cial Intelligence (IJIMAI) , 4 (2), 73-82.

Benkaddour, F. Z., Taghezout, N., & Ascar, B. (2016b). Towards a novel approach

for enterprise knowledge capitalization utilizing an ontology and collaborative

decision-making : Application to inotis enterprise. International Journal of De-

cision Support System Technology (IJDSST) , 8 (1), 1-24.

Berchet, C. (2000). Modélisation pour la simulation d'un système d'aide au pilotage

industriel (Thèse de doctorat non publiée). INP de Grenoble.

Bichindaritz, I. (1994). Apprentissage de concepts dans une mémoire dynamique :

raisonnement à partir de cas adaptable à la tâche cognitive (Thèse de doctorat

non publiée).

Bisson, G. (2000). La similarité : une notion symbolique/numérique. Apprentissage

symbolique-numérique , 2 , 169-201.

Blázquez, J., Fernández, M., García-Pinar, J. M., & Gómez-Pérez, A. (1998). Buil-

ding ontologies at the knowledge level using the ontology design environment.

Borst, W. N. (1997). Construction of engineering ontologies for knowledge sharing

and reuse. Universiteit Twente.

Browaeys, C. (2014). Les enjeux des textiles du futur. High-tech . Consulté

le 17/01/16 à 13h00, sur http://www.futura-sciences.com/magazines/

high-tech/infos/dossiers/d/high-tech-enjeux-textiles-futur-1899/

page/3/

Bruyère, S., Boquet-Cochard, I., Collé, M., Dornès, P., Hardel, A.-S., & Joao,

D. (2011). Le web 3.0 : état des lieux et perspectives d'avenir. Consulté

le 08/04/2016, sur http://www.les-infostrateges.com/article/1109383/

le-web-30-etat-des-lieux-et-perspectives-d-avenir

http://www.futura-sciences.com/magazines/high-tech/infos/dossiers/d/high-tech-enjeux-textiles-futur-1899/page/3/



http://www.les-infostrateges.com/article/1109383/le-web-30-etat-des-lieux-et-perspectives-d-avenir

http://www.les-infostrateges.com/article/1109383/le-web-30-etat-des-lieux-et-perspectives-d-avenir


Cardinal, J. S. L. (2000). Étude des disfonctionnement des processus de décision,

application au choix d'acteur (Thèse de doctorat non publiée). École Centrale

Paris.

Cauvin, A. (2005). Analyse, modélisation et amélioration de la réactivité des

systèmes de décision dans les organisations industrielles (Thèse de doctorat

non publiée). Université Paul Cézanne Aix-Marseille III.

Chaton, A.-C. V. (2008). La gestion des connaissances. Consulté le

08/04/2016, sur http://www.memoireonline.com/07/08/1199/m_la-gestion

-des-connaissances8.html

Chiu, M.-L. (2002). An organizational view of design communication in design

collaboration. Design Studies , 23 (2), 187-210.

collaboratif, T. (2014). Choisie le bon outil de travail collabora-

tif. Consulté le 10/04/2016, sur http://www.travail-collaboratif.info/

?OutilsGroupware.fr

Cordial. (2016). Dé�nition du raisonnement. Consulté le 08/04/2016, sur http://

dictionnaire.cordial-enligne.fr/definition/raisonnement

Courbon, J.-C. (1979). Aide à la décision et intelligence collective. Grenoble,

France : CERAG.

Courbon, J.-C. (1982). Processus de décision et aide à la décision. Économies et

Sociétés , 16 (12), 1455-1476.

Dalal, S., Athavale, V., & Jindal, K. (2011). Case retrieval optimization of case-

based reasoning through knowledge-intensive similarity measures. International

Journal of Computer Applications , 34 (3), 0975�8887.

David, L. (1996). Cbr in context : The present and future. Case-Based Reasoning :

Experiences, Lessons, and Future Directions , 1-30.

Decker, S., Melnik, S., Van Harmelen, F., Fensel, D., Klein, M., Broekstra, J., . . .

Horrocks, I. (2000). The semantic web : The roles of xml and rdf. Internet

Computing, IEEE , 4 (5), 63-73.

Denos, N., & Silini, K. (2011). Travailler en réseau, communiquer et collaborer

version 1.0. Consulté le 10/04/2016, sur https://c2i.education.fr/IMG/

pdf/Fiches_D5_v1_0_20110907.pdf

http://www.memoireonline.com/07/08/1199/m_la-gestion-des-connaissances8.html

http://www.memoireonline.com/07/08/1199/m_la-gestion-des-connaissances8.html

http://www.travail-collaboratif.info/?OutilsGroupware.fr

http://www.travail-collaboratif.info/?OutilsGroupware.fr

http://dictionnaire.cordial-enligne.fr/definition/raisonnement

http://dictionnaire.cordial-enligne.fr/definition/raisonnement

https://c2i.education.fr/IMG/pdf/Fiches_D5_v1_0_20110907.pdf

https://c2i.education.fr/IMG/pdf/Fiches_D5_v1_0_20110907.pdf


Developpez.com. (2016). Jena api. Consulté le 05/05/2016, sur http://web

-semantique.developpez.com/faq/?page=jena

Dieng, R., Corby, O., Gandon, F., Giboin, A., Golebiowska, J., Matta, N., &

Ribière, M. (2001). Méthodes et outils pour la gestion des connaissances : une

approche pluridisciplinaire du knowledge management . Dunod.

Dillenbourg, P., Baker, M., Blaye, A., & O'Malley, C. (1996). Learning in humans

and machines : Towards an interdisciplinary learning science. In P. Reimann

& H. Spada (Eds.), (chap. The evolution of research on collaborative learning).

Oxford : Pergamon.

Dominé, C.-H. (1988). Techniques de l'intelligence arti�cielle : un guide structuré .

Bo-Pré.

Ehrig, M., & Staab, S. (2004). Qom�quick ontology mapping. In The semantic

web�iswc 2004 (p. 683-697). Springer.

Ermine, J.-L. (2001). Les processus de la gestion des connaissances. In Egc

(p. 17-29).

Falbo, R. A. (2004). Experiences in using a method for building domain ontologies.

In The sixteenth international conference on software engineering and knowledge

engineering, international workshop on ontology in action (p. 474-477).

Farquhar, A., Fikes, R., & Rice, J. (1996). The ontolingua server : A tool for

collaborative ontology construction. International Journal of Human-Computer

Studies , 46 (6), 707-727.

Farrell, R. G. (1987). Intelligent case selection and presentation. In Ijcai (p. 174-

176).

Fielding, J., Simon, J., Ceusters, W., & Smith, B. (2004). Ontological theory

for ontological engineering : biomedical systems information integration. In the

ninth international conference on the principles of knowledge representation and

reasoning (p. 114-120).

Finnie, G., & Sun, Z. (2003). R5 model for case-based reasoning. Knowledge-Based

Systems , 16 (1), 59-65.

http://web-semantique.developpez.com/faq/?page=jena

http://web-semantique.developpez.com/faq/?page=jena


Flety, Y., & De Sede, M.-H. (2009). Vers une géo-ontologie pour les systèmes ener-

gétiques territoriaux. XVI rencontres de Rochebrune," Ontologies et dynamique

des systèmes complexes .

Frayret, J.-M., D'Amours, F., & D'Amours, S. (2003). Collaboration et outils

collaboratifs pour la pme manufacturière. Cer�o, Telus .

Fürst, F. (2002). L'ingénierie ontologique. Rapport technique, IRIN, Nantes , 39 ,

42-57.

Gandon, F. (2002). Ontology engineering : a survey and a return on experience.

Georis, P. (2009). Le business de la gratuité sur le web. Consulté le 21/04/2014,

sur http://www.ftu.be/documents/ep/2009_02_outils%20collaboratifs%

20web2.pdf

Gkoutos, G. V., Green, E. C., Mallon, A.-M., Hancock, J. M., & Davidson, D.

(2004). Using ontologies to describe mouse phenotypes. Genome biology , 6 (1),

R8.

Greselle, O. Z. (2007). Vers l'intelligence collective des équipes de travail : une

étude de cas. Management et Avenir , 4 (14), 41-59.

Gruber, T. (1993). A translation approach to portable ontology speci�cations.

Knowledge acquisition , 5 (2), 199-220.

Gruber, T. (2007). Ontology of folksonomy : A mash-up of apples and oranges.

International Journal on Semantic Web and Information Systems (IJSWIS) ,

3 (1), 1-11.

Grundstein, M. (2002). Gameth : un cadre directeur pour repérer les connaissances

cruciales pour l'entreprise. Lamsade Université Paris-Dauphine .

Grundstein, M., et al. (2002). De la capitalisation des connaissances au renfor-

cement des compétences dans l'entreprise étendue. In Conférence invitée, 1er

colloque du groupe de travail" gestion des compétences et des connaissances en

génie industriel", nantes (Vol. 103).

Grundstein, M., Rosenthal-Sabroux, C., & Pachuski, A. (2003). Reinforcing deci-

sion aid by capitalizing on company's knowledge : Future prospects. European

Journal of Operational Research , 145 (2), 256�272.

http://www.ftu.be/documents/ep/2009_02_outils%20collaboratifs%20web2.pdf

http://www.ftu.be/documents/ep/2009_02_outils%20collaboratifs%20web2.pdf


Guarino, N. (1997). Semantic matching : Formal ontological distinctions for

information organization, extraction, and integration. In Information extraction

a multidisciplinary approach to an emerging information technology (p. 139-

170). Springer.

H, K. (1985). Un outil d'analyse pour les langages de représentation de connais-

sances. In 5ème congrès r�a (p. 1099-1112).

Hammond, K. J. (1986). Chef : A model of case-based planning. In Aaai (p. 267-

271).

Hennessy, D., & Hinkle, D. (1992). Applying case-based reasoning to autoclave

loading. IEEE Expert , 7 (5), 21-26.

Herbert Alexander, S. (1960). The new science of management decision (Harper

and Row éd.). AFNOR.

Herbert Alexander, S. (1977). The new science of management decision (revised

éd.). Prentice-Hall.

Hinrichs, T. R., & Kolodner, J. L. (1991). The roles of adaptation in case-based

design. In Aaai (Vol. 91, p. 28-33).

Hirst, G., & St-Onge, D. (1998). Lexical chains as representations of context for

the detection and correction of malapropisms. WordNet : An electronic lexical

database , 305 , 305-332.

Horrigue, A., Boudouh, T., Micaelli, J. P., & Ferney, M. (2004, Novembre-

Decembre). La conception collaborative : Elements d'analyse. In Congrés in-

ternational de mécanique avancée (cima'2004).

Horrigue, A. H. (2007). Modélisation du processus de partage de connaissances

produit en conception collaborative (Thèse de doctorat non publiée). Université

de Franche-Comté, UFC, UTBM.

Horrocks, I., & Patel-Schneider, P. F. (2001). The generation of daml+ oil. In

Description logics.

Hovy, E. (1998). Combining and standardizing large-scale, practical ontologies

for machine translation and other uses. In Proceedings of the 1st international

conference on language resources and evaluation (lrec) (p. 535-542).


Inaba, A., Ikeda, M., Mizoguchi, R., & Toyoda, J. (2000). The learning goal

ontology for collaborative learning.

INOTIS. (2015). Consulté le 09/01/2015, sur http://www.inotis.com

ISO. (2011). Dé�nition des textiles nontissés iso 9092. Austrian Standards Insti-

tute. Consulté sur http://www.iso.org/

JDN. (2012). Les catégories d'outils collaboratifs. Consulté le 10/04/2016, sur

http://www.journaldunet.com/solutions/0210/021028_1colla.shtml

Jeanjet, A., & Boujut, J. F. (1998). Conception et produits mécaniques-méthodes,

modèles et outils. In M. Tollenaere (Ed.), (HERMES éd., chap. Approche so-

ciolotechnique des processus de conception).

Ji, S.-H., Park, M., Lee, H.-S., & Yoon, Y.-S. (2004). Similarity measurement

method of case-based reasoning for conceptual cost estimation. In W. Tizani

(Ed.), Proceedings of the international conference on computing in civil and

building engineering.

Jiang, J., & Conrath, D. (1997). Proceedings of international conference on re-

search in computational linguistics.

Jin, L., Chen, W., Hayashi, Y., Ikeda, M., Mizoguchi, R., Takaoka, Y., & Ohta,

M. (1999). An ontology-aware authoring tool-functional structure and guidance

generation. In Proc. of ai-ed 99, le mans.

Kast, R. (1993). La théorie de la décision. In (La Découverte éd.).

Kitamura, Y., Sano, T., Namba, K., & Mizoguchi, R. (2002). A functional concept

ontology and its application to automatic identi�cation of functional structures.

Advanced Engineering Informatics , 16 (2), 145-163.

Koton, P. (1988). Reasoning about e-vi ence in causal expllanations.

Kvan, T. (2000). Collaborative design : What is it ? Automation in construction ,

9 (4), 409-415.

Laborie, F. (2006). Le concept de salle de décision collective et son application

aux processus complexes eads (Thèse de doctorat non publiée). Paul Sabatier.

http://www.inotis.com

http://www.iso.org/

http://www.journaldunet.com/solutions/0210/021028_1colla.shtml


Lamidieu, E. (2007). Travail collaboratif assisté par ordinateur. Consulté le

14/01/2014, sur http://www.eric.lamidieu.org/public/Pdf/TCAO_Travail

_Collaboratif_Assist__par_Ordinateur.pdf

Lassila, O., & Swick, R. R. (1999). Resource description framework (rdf) model

and syntax speci�cation.

Lavergne, J.-P. (1983). La décision : psychologie et méthodologie : connaissance du

problème, applications pratiques. ESF-Entreprise moderne d'édition : Librairies

techniques.

Leacock, C., Miller, G. A., & Chodorow, M. (1998). Using corpus statistics and

wordnet relations for sense identi�cation. Computational Linguistics , 24 (1),

147-165.

Leake, D. B. (1996). Cbr in context : The present and future. Case-Based

Reasoning, Experiences, Lessons & Future Directions , 1-30.

Legardeur, J., Merlo, C., Franchisteguy, I., & Bareigts, C. (2003). Coordination et

coopèration dans les processus de conception. In Colloque aip primèca la plagne

(Vol. 1).

Lesk, M. (1986). Automatic sense disambiguation using machine readable dictio-

naries : how to tell a pine cone from an ice cream cone. In Proceedings of the

5th annual international conference on systems documentation (p. 24-26).

Levan, S. K., & Vicko�, J.-P. (2004). Travail collaboratif sur internet : concepts,

méthodes et pratiques des plateaux projet. Vuibert.

Lin, D. (1998). An information-theoretic de�nition of similarity. In Icml (Vol. 98,

p. 296-304).

L'internaute.com. (2016). Www. Consulté le 10/04/2016, sur http://www

.linternaute.com/dictionnaire/fr/definition/web/

LIRIS. (2003). Notion d'ontologie. Consulté le 24/01/2015, sur

http://liris.cnrs.fr/amille/enseignements/DEA-ECD/ontologies/

notion_ontologie.htm

Longueville, B. (2003). Des processus de décision dans les projets d'innovation :

Application à l'automobile (Thèse de doctorat non publiée). École Centrale

Paris.

http://www.eric.lamidieu.org/public/Pdf/TCAO_Travail_Collaboratif_Assist__par_Ordinateur.pdf

http://www.eric.lamidieu.org/public/Pdf/TCAO_Travail_Collaboratif_Assist__par_Ordinateur.pdf

http://www.linternaute.com/dictionnaire/fr/definition/web/

http://www.linternaute.com/dictionnaire/fr/definition/web/

http://liris.cnrs.fr/amille/enseignements/DEA-ECD/ontologies/notion_ontologie.htm

http://liris.cnrs.fr/amille/enseignements/DEA-ECD/ontologies/notion_ontologie.htm


López, M. F., Gómez-Pérez, A., Sierra, J. P., & Sierra, A. P. (1999). Building

a chemical ontology using methontology and the ontology design environment.

IEEE intelligent Systems (1), 37-46.

Luke, S., & He�in, J. (2000). Shoe 1.01. proposed speci�cation. Shoe Project .

Maedche, A., & Staab, S. (2002). Measuring similarity between ontologies. In

Knowledge engineering and knowledge management : Ontologies and the seman-

tic web (p. 251-263). Springer.

McGuinness, D. L., Van Harmelen, F., et al. (2004). Owl web ontology language

overview. W3C recommendation , 10 (10), 2004.

Miller, G. A., Beckwith, R., Fellbaum, C., Gross, D., & Miller, K. J. (1990).

Introduction to wordnet : An on-line lexical database. International journal of

lexicography , 3 (4), 235-244.

Miller, J.-A. (1988). Extimit. Prose studies , 11 (3), 121-131.

Mizoguchi, R., Kozaki, K., Sano, T., & Kitamura, Y. (2000). Construction and

deployment of a plant ontology. In Knowledge engineering and knowledge ma-

nagement methods, models, and tools (p. 113-128). Springer.

Moigne, J.-L. (1974). Les systèmes de décision dans les organisations (Paris éd.).

Presses Universitaires de France.

Munoz, J., Rémoleux, C., Piere, S., & Pascault, C. (2015). � le saviez-vous ? � :

L'utilisation d'un produit non tissé permet de réduire jusqu'à 80 déchets et des

coûts de manutention selon une étude menée par tork. Newsroom . Consulté

le 17/01/16 à 13h05, sur http://wellcom.fr/presse/tork/2015/06/produit

-non-tisse-reduire-dechets/

Nathan, B. (2015). La collaboration informatique : Améliore la performance glo-

bale. Consulté le 31/01/2016, sur http://tayeb.fr/informatique/

Navamuel, F. (2012). Les 10 meilleurs outils collaboratifs de 2012.

Consulté le 10/04/2016, sur http://outilscollaboratifs.com/2012/12/les

-10-meilleurs-outils-collaboratifs-de-2012/

Neches, R., Fikes, R. E., Finin, T., Gruber, T., Patil, R., Senator, T., & Swartout,

W. R. (1991). Enabling technology for knowledge sharing. AI magazine , 12 (3),

36.

http://wellcom.fr/presse/tork/2015/06/produit-non-tisse-reduire-dechets/

http://wellcom.fr/presse/tork/2015/06/produit-non-tisse-reduire-dechets/

http://tayeb.fr/informatique/

http://outilscollaboratifs.com/2012/12/les-10-meilleurs-outils-collaboratifs-de-2012/

http://outilscollaboratifs.com/2012/12/les-10-meilleurs-outils-collaboratifs-de-2012/


Nonaka, I., & Takeuchi, H. (1997). La connaissance créatrice : la dynamique de

l'entreprise apprenante. De Boeck Supérieur.

Nordmann, K. (2009). Standardization of ontologies. URL http ://kore-nordmann.

de/blog/0089_standardization_of_ontologies. html .

Paul, R., Debove, J. R., & Rey, A. (2004). Le nouveau petit robert : dictionnaire

alphabétique et analogique de la langue française (Paris éd.). Dictionnaires le

Robert.

Pillou, J.-F. (2016a). Langage html. Consulté le 10/04/2016, sur http://www

.commentcamarche.net/contents/498-html-langage

Pillou, J.-F. (2016b). Le protocole http. Consulté le 10/04/2016, sur http://

www.commentcamarche.net/contents/520-le-protocole-http

Pillou, J.-F. (2016c). Réseaux - architecture client/serveur à 3 niveaux. Consulté le

10/04/2016, sur http://www.commentcamarche.net/contents/221-reseaux

-architecture-client-serveur-a-3-niveaux

Pillou, J.-F. (2016d). Url. Consulté le 10/04/2016, sur http://www

.commentcamarche.net/contents/542-url

Pinto, H. S., Gómez-Pérez, A., & Martins, J. P. (1999). Some issues on ontology

integration..

Piquet, A. (2009). Guide pratique du travail collaboratif : Théories, méthodes et

outils au service de la collaboration. Document destiné au �Groupe Communi-

cation� du réseau Isolement Social , 17 (2), 7-9.

Planning, C.-b. (1989). Viewing planning as a memory task. Academic Press,

Cambridge, MA.

Poyet, F., & Drechsler, M. (2009). Impact des tic dans l'enseignement : une

alternative pour l'individualisation ? Consulté le 15/04/2016, sur http://ife

.ens-lyon.fr/vst/LettreVST/41-janvier-2009.php

Prax, J.-Y. (2003). Le manuel du knowledge management(une approche de 2 ème

génération). Collection Stratégies et management .

Prax, J.-Y. (2012). Manuel du knowledge management-3ème édition : Mettre en

réseau les hommes et les savoirs pour créer de la valeur . Dunod.

http://www.commentcamarche.net/contents/498-html-langage

http://www.commentcamarche.net/contents/498-html-langage

http://www.commentcamarche.net/contents/520-le-protocole-http

http://www.commentcamarche.net/contents/520-le-protocole-http

http://www.commentcamarche.net/contents/221-reseaux-architecture-client-serveur-a-3-niveaux

http://www.commentcamarche.net/contents/221-reseaux-architecture-client-serveur-a-3-niveaux

http://www.commentcamarche.net/contents/542-url

http://www.commentcamarche.net/contents/542-url

http://ife.ens-lyon.fr/vst/LettreVST/41-janvier-2009.php

http://ife.ens-lyon.fr/vst/LettreVST/41-janvier-2009.php


Puleo, M. (2003, April). It's not just summer reading anymore : Building bridges

through the year between school and public librians. In Nmrls introduction to

dynamics youth libribrary services workshop. Consulté sur http://www.nmrls

.org/youth/idyls03.html

québécois de la langue française, O. (2014). Grand dictionnaire terminologique.

Consulté le 30/04/2014, sur http://gdt.oqlf.gouv.qc.ca/

Quillian, M. R. (1968). Semantic memory. semantic information processing (Mar-

vin Minsky éd.). Cambridge, MA : MIT Press.

Rada, R., Mili, H., Bicknell, E., & Blettner, M. (1989). Development and ap-

plication of a metric on semantic nets. Systems, Man and Cybernetics, IEEE

Transactions on , 19 (1), 17�30.

Rasovska, I. (2006). Contribution à une méthodologie de capitalisation des connais-

sances basée sur le raisonnement à partir de cas : Application au diagnostic

dans une plateforme d'emaintenance.. automatique / robotique. Consulté sur

https://tel.archives-ouvertes.fr/tel-00257893/document

Resnik, P. (1995). Using information content to evaluate semantic similarity in a

taxonomy. arXiv preprint cmp-lg/9511007 .

Resnik, P., et al. (1999). Semantic similarity in a taxonomy : An information-based

measure and its application to problems of ambiguity in natural language. J.

Artif. Intell. Res.(JAIR), 11 , 95-130.

Roche, C. (2005). Terminologie et ontologie. Langages(1), 48-62.

Rohrbasser, J.-M., & Véron, J. (2001). Leibniz et les raisonnements sur la vie

humaine. INED.

Rouse, M. (2014, août). Collaboration d'entreprise (ec). Le mag

it . Consulté le 31/01/2016, sur http://www.lemagit.fr/definition/

Collaboration-dentreprise-EC

Seco, N., Veale, T., & Hayes, J. (2004). An intrinsic information content metric

for semantic similarity in wordnet. In Ecai (Vol. 16, p. 1089).

Seguy, A. (2008). Décision collaborative dans les systèmes distribués � applica-

tion à la e-maintenance (Thèse de doctorat non publiée). L'Institut National

Polytechnique de Toulouse.

http://www.nmrls.org/youth/idyls03.html

http://www.nmrls.org/youth/idyls03.html

http://gdt.oqlf.gouv.qc.ca/

https://tel.archives-ouvertes.fr/tel-00257893/document

http://www.lemagit.fr/definition/Collaboration-dentreprise-EC

http://www.lemagit.fr/definition/Collaboration-dentreprise-EC


Simon, C., & Shiu, K. (2004). Case-based reasoning : Concepts, features and soft

computing. Applied Intelligence , 2 (1), 233�238.

Simon, H. (1969). Sciences ofthe arti�cial (Cambridge : Massachusetts éd.).

London, England : The MIT Press.

Smith, B. (2004). Beyond concepts : ontology as reality representation. In Pro-

ceedings of the third international conference on formal ontology in information

systems (fois 2004) (p. 73-84).

Sowa, J. F. (1995a). Syntax, semantics, and pragmatics of contexts. In Conceptual

structures : Applications, implementation and theory (p. 1-15). Springer.

Sowa, J. F. (1995b). Top-level ontological categories. International journal of

human-computer studies , 43 (5), 669�685.

Stanford-University. (2007). Protégé. Consulté le 08/04/2014, sur http://

protege.stanford.edu

Studer, R., Benjamins, V. R., & Fensel, D. (1998). Knowledge engineering :

principles and methods. Data & knowledge engineering , 25 (1), 161-197.

Su, Q. C.-J., & Wei, P. C. (2011). Multi-agent ontology-based web 2.0 plat-

form for medical rehabilitation. Intarnational Journal of Expert Systems with

Applications , 39 (12), 10311-10323.

Suh, N. P. (2009). Designing and engineering through collaboration and negotia-

tion. International Journal of Collaborative Engineering , 1 (2), 19-37.

Super, C. (2013, septembre). La collaboration, premier pilier de l'entreprise de

demain. Consulté le 31/01/2016, sur http://claudesuper.com/2013/09/05/

la-collaboration-premier-pilier-de-lentreprise-de-demain/

Sycara, K. (1988). Using case-based reasoning for plan adaptation and repair. In

Proceedings of the darpa case-based reasoning workshop (Vol. 425, p. 434).

Tchechmedjiev, A. (2012). État de l'art : mesures de similarité sémantique locales

et algorithmes globaux pour la désambiguïsation lexicale à base de connais-

sances. JEP-TALN-RECITAL 2012 , 295.

Tversky, A. (1977). Features of similarity. Psychological review , 84 (4), 327.

http://protege.stanford.edu

http://protege.stanford.edu

http://claudesuper.com/2013/09/05/la-collaboration-premier-pilier-de-lentreprise-de-demain/

http://claudesuper.com/2013/09/05/la-collaboration-premier-pilier-de-lentreprise-de-demain/


Universalis. (2009). Dé�nition du raisonnement. Consulté le 08/04/2016, sur

http://www.universalis.fr/encyclopedie/raisonnement/

Van Heijst, G., Van Der Spek, R., & Kruizinga, E. (1997). Corporate memories

as a tool for knowledge management. Expert systems with applications , 13 (1),

41-54.

Viguie, P. (2010). Pilotage d'implémentations d'outils de tcao au sein d'une orga-

nisation : Une approche méthodologique (Thèse de doctorat non publiée). Uni-

versité Toulouse 3 Paul Sabatier.

Wang, X., Wong, T., & Fan, Z. P. (2013). Ontology-based supply chain decision

support for steel manufacturers in china. International Journal of Intelligent

Manufacturing , 40 (18), 7519�7533.

Waterschoot, C. (2014). Du web 1.0 au web 4.0. Consulté le 12/04/2016, sur

http://blog.c-marketing.eu/du-web-1-0-au-web-4-0/

Wikipedia. (2007). Avantages et inconvénients du web 2.0. Consulté

le 08/04/2014, sur https://kmproject.wikispaces.com/Avantages+et+

inconvénients+du+Web+2.0

Wikipedia. (2014). Collaboration. Consulté le 12/12/2014, sur http://www.la

-definition.fr/definition/collaboration

Wikipedia. (2015). Savoir-faire. Consulté le 14/01/2015, sur https://fr

.wikipedia.org/wiki/Gestion_des_connaissances

Wikipedia. (2016a). Apache tomcat. Consulté le 05/05/2016, sur https://fr

.wikipedia.org/wiki/Apache_Tomcat

Wikipedia. (2016b). Javaserver pages. Consulté le 05/05/2016, sur https://

fr.wikipedia.org/wiki/JavaServer_Pages

Wikipedia. (2016c). Mesure de similarité. Consulté le 05/05/2016, sur https://

fr.wikipedia.org/wiki/Mesure_de_similarité

Wikipedia. (2016d). Mysql. Consulté le 05/05/2016, sur https://fr.wikipedia

.org/wiki/MySQL

Wikipedia. (2016e). Netbeans. Consulté le 05/05/2016, sur https://fr

.wikipedia.org/wiki/NetBeans

http://www.universalis.fr/encyclopedie/raisonnement/

http://blog.c-marketing.eu/du-web-1-0-au-web-4-0/

https://kmproject.wikispaces.com/Avantages+et+inconv�nients+du+Web+2.0

https://kmproject.wikispaces.com/Avantages+et+inconv�nients+du+Web+2.0

http://www.la-definition.fr/definition/collaboration

http://www.la-definition.fr/definition/collaboration

https://fr.wikipedia.org/wiki/Gestion_des_connaissances

https://fr.wikipedia.org/wiki/Gestion_des_connaissances

https://fr.wikipedia.org/wiki/Apache_Tomcat

https://fr.wikipedia.org/wiki/Apache_Tomcat

https://fr.wikipedia.org/wiki/JavaServer_Pages

https://fr.wikipedia.org/wiki/JavaServer_Pages

https://fr.wikipedia.org/wiki/Mesure_de_similarit�

https://fr.wikipedia.org/wiki/Mesure_de_similarit�

https://fr.wikipedia.org/wiki/MySQL

https://fr.wikipedia.org/wiki/MySQL

https://fr.wikipedia.org/wiki/NetBeans

https://fr.wikipedia.org/wiki/NetBeans


Wikipedia. (2016f). Plate-forme collaborative. Consulté le 10/04/2016, sur

https://fr.wikipedia.org/wiki/Plate-forme_collaborative

Winer, M., & Ray, K. (1994). Collaboration handbook : creating, sustaining, and

enjoying the journey (Amherst H éd.). Wilder Foundation.

Wu, Z., & Palmer, M. (1994). Verb semantics and lexical selection. In the 32nd

annual meeting of the associations for computational linguistics (p. 133- 138).

Yesilbas, L. G., Rose, B., & Lombard, M. (2006). Speci�cation of a repository

to support collaborative knowledge exchanges in ippop project. Computers in

Industry , 57 (8-9), 690-710.

Zaraté, P. (2013). Tools for collaborative decision making. UK : Wiley-ISTE.

Zaraté, P., & Liu, S. (2015). A new trend for knowledge based decision support

systems design. International Journal of Information and Decision Sciences .

Zargayouna, H., & Salotti, S. (2004). Mesure de similarité dans une ontologie pour

l'indexation sémantique de documents xml. In 15èmes journées francophones

d'ingénierie des connaissances (p. 249-260).

https://fr.wikipedia.org/wiki/Plate-forme_collaborative

المعقدة المتعلقة بصناعة تاالقرارمشاكل للتعامل مع ”ن.د.ق.ت “التعاونية القرارتهذه األطروحة، نظام دعم عبر نقترح-ملخص .غير المنسوجةال المواد

صناعة المواد لمجال والمخصصة ،المجالأنطولوجيا ممثلة فيالستغل المعرفة ت لتيا ةالتعاوني اتيستند نظامنا على عملية دعم القرارالفرصة للمشاركة ،(يرمدير اإلنتاج أو خب ،موظف) نظامال هذا مستخدمي لدى االستدالل المبني على القضية. مستخدما ،غير المنسوجةال

.2.0 التعاون موقع ستعمالباتشخيص مشاكل اآلالت )موارد( أجلو وجهات النظر من وتبادل األفكار ة، وحدة إدارة االستعالم، محرك المنطق، مشاهدضم عدة وحدات مثل: وحدة الي الذي“ تن.د.ق. “نقدم في البداية الهيكل العام للنظام

نوضح الحقا، من الصفر. االذي تم تصميمهلمجال امن خالل أنطولوجيا رسملة المعرفةصف خطوات نبعد ذلك، .الخوحدة التشابه، اختبار ب ،أوال :نظامالاالستدالل المبني على القضية. أجرينا نوعين من تقييم في ستدعاءالاستخدم خالل مرحلة الماختيار مقياس التشابه

موقع مستخدمي رضى تحليل و دراسة ،ايثان. ال او الخبير رأي تستدعي التي تينالحال في وذلك اينوتيس شركة مستوى علىالنظام .االستمارة على اجاباتهم خالل من وذلك التعاون

.2.0، الويب ن.د.ق.ت غير المنسوجة،الصناعة ال، التعاونية القرارتدعم التشخيص، اينوتيس، ،المجالأنطولوجيا : المفتاحيةكلمات ال

Résumé-Dans cette thèse, nous proposons un Système d’Aide à la Décision Collaborative «SADC» pour faire face aux problèmes de décision complexes liés à l'industrie du non-tissé. Notre système est basé sur un processus d’aide à la décision collaborative qui explo ite la connaissance

représentée dans une ontologie de domaine du non-tissé et utilise un raisonnement à base de cas. Les utilisateurs de notre système (opérateurs, experts ou directeurs de production) ont la possibilité de partager et d’échanger des idées ou points de vue, en vue d’établir des diagnostics sur les problèmes concernant les machines (ressources) grâce à la plateforme collaborative que nous avons développée en utilisant les technologies Web 2.0. Nous présentons dans un premier temps l’architecture globale du système SADC qui comprend plusieurs modules tels que : Le module de visualisation, le module de

gestion des requêtes, le moteur de raisonnement, le module de similarité, etc. Ensuite, nous décrivons les étapes de capitalisation des connaissances à travers l’ontologie de domaine qui a été conçue à partir de zéro. Puis, nous préciserons le choix de la mesure de similarité employée lors de la phase de remémoration du raisonnement à base de cas. Dans un deuxième temps, Nous avons procédé à deux types d'évaluation du système SADC, la première consiste à tester le système dans l'entreprise INOTIS pour deux situations impliquant ou pas l'expert du domaine. La seconde évaluation correspond à un

questionnaire soumis aux différents utilisateurs de notre plateforme collaborative, l'idée est de pondérer les réponses aux différentes questions et d'analyser le taux de satisfaction des utilisateurs.

Mots-clés: Diagnostic, industrie du non-tissé, INOTIS, ontologie de domaine, prise de décision collaborative, SADC, Web 2.0.

Abstract-This thesis designs a Collaborative Decision Support System «CDSS» to deal with complex decision problems related to spunlace nonwovens industry. Our system is based on a collaborative decision making process that exploits the represented knowledge in domain ontology and uses a case-based reasoning. Our system proposes a collaborative platform that relies on Web 2.0 technologies and allows operators, production managers or experts to share and exchange experiences in industrial diagnosis such as machines ‘breakdowns. The main purpose of the suggested approach is to have new

ideas and useful information through the collaborative platform. We present the CDSS architecture that includes several modules such as: Visualization module, Query management module, Reasoning engine, Similarity module, etc. Next, we describe the knowledge capitalization steps through the developed domain ontology from zero. Then, we justify our choice of similarity measurement used during the recall phase of case-based reasoning. We conducted some experiments on INOTIS enterprise with some help of the domain expert to evaluate CDSS system in a first time. Secondly, the collaborative platform

is tested using a questionnaire submitted to the different users (participants), the idea is to attribute weights to answers and analyze user satisfaction rate. Keywords: CDSS, Collaborative decision-making, diagnosis, domain ontology, INOTIS, spunlace nonwovens production, Web 2.0.

intégration d'une ontologie et des technologies w eb 2.0 ... · mr. abdi mustapha mca,...

Documents