SAFE-NEXT : UNE APPROCHE SYSTEMIQUE POUR L'EXTRACTION DE CONNAISSANCES DE DONNEES.<br />Application A La Construction Et A L'interprétation De Scénarios D'accidents De La Route - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2005

SAFE-NEXT: A SYSTEMIC APPROACH FOR KNOWLEDGE DISCOVERY IN DATABASES
APPLICATION IN ACCIDENT SCENARIO DEVELOPMENT AND INTERPRETATION

SAFE-NEXT : UNE APPROCHE SYSTEMIQUE POUR L'EXTRACTION DE CONNAISSANCES DE DONNEES.
Application A La Construction Et A L'interprétation De Scénarios D'accidents De La Route

Walid Ben Ahmed
  • Fonction : Auteur
  • PersonId : 832236

Résumé

Nowadays, given the automation of data collection, very large databases are constructed. The exploitation of these data in accidentology and several others fields (e.g. marketing, engineering, etc.) requires automatic techniques of Knowledge Discovery in Databases (KDD). Incorporating expert knowledge in the KDD process is fundamental to handle the complexity of data, domain and knowledge. This necessitates the development of approaches, methods and techniques intended to identify, represent and operationalize expert knowledge.
In this dissertation, we propose a new approach, SAFE-Next (Systemic Approach For Enhanced kNowledge EXTraction), which integrates the following four approaches: the first one, ASMEC (Approche Systémique de ModElisation des Connaissances), allows knowledge modeling according to multiple viewpoints and granularity levels. The second approach, AICEF (Approche d'Incorporation des Connaissances Expertes dans la Fouille de données), uses the ASMEC knowledge model to elaborate multi-view metadata. It then uses these metadata as a tool for incorporating expert knowledge into the KDD process. The third approach, ASAIC (Approche Systémique d'Analyse d'Impact de Changement), uses the ASMEC knowledge model to carry out multi-view change impact analysis. The fourth approach, ASEM (Approche Systémique d'Evaluation de Modèles), provides an assessment framework for knowledge models.
The epistemological and methodological foundations of our work are constructivism and systemic approach (or cybernetics). Based on these backgrounds, our research contributions concern several disciplines, ranging from Accidentology, Knowledge Engineering, Knowledge Discovery in Databases and Design. In accidentology, SAFE-Next provides experts with an efficient tool for knowledge management. It enables the elaboration of multi-view accident scenarios, which are a powerful tool for understanding accident mechanisms in order to develop safety counter-measures. Furthermore, SAFE-Next provides a knowledge capitalization tool. In knowledge engineering, SAFE-Next supplies, via ASMEC, a multi-view knowledge model and thereby allows the integration of different viewpoints stemming from different users. Furthermore, it provides a multi-granularity knowledge model and in that way addresses the difficulty of knowledge identification and formalization. At the same time, SAFE-Next permits, via ASEM, the evaluation of knowledge models, an issue rarely addressed in literature. In Knowledge Discovery in Database, SAFE-Next enables, via AICEF, the incorporation of domain knowledge in the data preprocessing step (i.e. the first step in a KDD process) and more specifically in the attribute selection task. Likewise, the multi-view metadata enables the incorporation of domain knowledge in the interpretation step (i.e. the last step in a KDD process). In design, SAFE-Next provides safety system developers with an efficient tool to construct the design space. Scenarios enable them to understand complex behaviors and thereby to define solutions and alternatives. SAFE-Next also provides, via ASAIC, an approach for multi-view change impact analysis. Moreover, it proposes an extension of the change impact analysis to the use process of a given product as well as the evaluation process instead of limiting it to the design process.
Aujourd'hui, l'informatisation des saisies de données et la puissance des systèmes de collecte conduisent à la construction de grandes Bases de Données (BD). L'exploitation de ces millions de données en accidentologie et dans beaucoup d'autres domaines (e.g. management, marketing, etc.) fait appel à des techniques d'Extraction de Connaissances de Données (ECD). La complexité des données, du domaine d'application et des connaissances recherchées rendent fondamentale l'intégration des connaissances expertes dans le processus d'ECD. Cela nécessite la mise en place d'approches, méthodes et techniques d'identification, de représentation et d'opérationnalisation de ces connaissances.
Dans ce travail de thèse, nous proposons une nouvelle approche, appelée SAFE-Next (Systemic Approach For Enhanced kNowledge EXTraction, approche systémique pour l'extraction des connaissances) qui intègre les quatre approches suivantes : La première est appelée ASMEC (Approche Systémique de ModElisation des Connaissances). Elle consiste en une méthode de modélisation des connaissances multi-vues et selon une architecture à plusieurs niveaux d'abstraction. La deuxième approche, AICEF (Approche d'Incorporation des Connaissances Expertes dans la Fouille de données), propose l'élaboration et l'utilisation de méta-données multi-vues comme un moyen pour l'incorporation des connaissances formalisées par ASMEC dans le processus d'ECD. La troisième approche, ASAIC (Approche Systémique d'Analyse d'Impact de Changement), utilise le modèle de connaissances d'ASMEC pour une analyse interactive et multi-vues de l'impact d'un changement sur un système. La quatrième approche, ASEM (Approche Systémique d'Evaluation de Modèles), fournit un modèle général d'évaluation de modèles de connaissances.
Les fondements épistémologiques et méthodologiques de nos travaux sont respectivement le constructivisme et la systémique (ou cybernétique). En se basant sur ces fondements, nos travaux de recherche ont conduit à des contributions réparties en quatre domaines : En accidentologie, SAFE-Next fournit un outil efficace pour l'élaboration des STA permettant une meilleure analyse et compréhension de l'accident. Elle fournit aussi un moyen de capitalisation des connaissances offrant une vision synthétique des différents types de connaissances du domaine de l'accidentologie. En Ingénierie des Connaissances (IC), SAFE-Next propose un modèle général multi-vues et multi-niveaux d'abstraction de modélisation des connaissances pour le développement des Systèmes à Base de Connaissances (SBC). Elle permet aussi de guider l'élicitation des connaissances selon un modèle multi-vues. En ECD, SAFE-Next propose l'utilisation des métadonnées multi-vues pour l'incorporation des connaissances expertes du domaine dans la première et la dernière phase du processus d'ECD (i.e. préparation des données et interprétation des résultats). En conception de nouveaux systèmes, SAFE-Next fournit à travers les STA un moyen de communication entre les accidentologistes et les concepteurs des systèmes de sécurité embarqués dans les véhicules. Cette interface entre les deux métiers (i.e. conception et accidentologie) permet la construction de l'espace de conception pour développer et évaluer les systèmes de sécurité. Elle offre aussi un moyen d'analyse de l'impact d'un changement (e.g. introduction d'un nouveau système de sécurité) sur le comportement du système Conducteur-Véhicule-Environnement.
Fichier principal
Vignette du fichier
These_Walid_Ben_Ahmed.pdf (3.66 Mo) Télécharger le fichier
English_version.pdf (499.26 Ko) Télécharger le fichier
Presentation_ppt_SAFE-Next.pdf (2.31 Mo) Télécharger le fichier
Format : Autre

Dates et versions

tel-00011540 , version 1 (06-02-2006)
tel-00011540 , version 2 (08-02-2006)

Identifiants

  • HAL Id : tel-00011540 , version 2

Citer

Walid Ben Ahmed. SAFE-NEXT : UNE APPROCHE SYSTEMIQUE POUR L'EXTRACTION DE CONNAISSANCES DE DONNEES.
Application A La Construction Et A L'interprétation De Scénarios D'accidents De La Route. domain_stic.gest. Ecole Centrale Paris, 2005. Français. ⟨NNT : ⟩. ⟨tel-00011540v2⟩
391 Consultations
2757 Téléchargements

Partager

Gmail Facebook X LinkedIn More