Conception des processus métier basée sur les règles
Introduction
La phase de modélisation de processus est primordiale car elle permet de décrire la
chaîne de valeur d’une entreprise. Pour cela, des modèles et des langages doivent être
utilisés pour permettre la définition des processus et la spécification des
connaissances métier d’une entreprise.
Les règles jouent un rôle important dans la vie quotidienne. Elles permet- tent de
formaliser une convention ou un principe vérifié comme les règles de la grammaire
ou les règles mathématiques. En Informatique, les règles sont utilisées pour
contrôler ou décrire le comportement des personnes et des systèmes, à titre
d’exemple nous pouvons citer les règles qui expriment et contrôlent les politiques
d’accès aux ressources sur les réseaux. Dans la discipline BPM, les règles métier sont
des définitions de haut niveau structurées, qui permettent de contraindre, contrôler et
influencer un aspect du métier. Ces règles sont utilisées pour implémenter les
stratégies ou les poli- tiques d’une entreprise. Elles sont aussi utilisées pour modéliser
un processus métier d’une manière déclarative.
Definition
En effet, un modèle de processus est une représentation théorique qui décrit la
manière dont nous concevons le fonctionnement du processus. Le langage de
modélisation du processus métier véhicule le fonctionnement du processus (le modèle)
en utilisant une syntaxe qui détermine la bonne construction des expressions
représentant les éléments du processus et une sémantique qui détermine la manière dont
les expressions du langage doivent être interprétées.
Les types de processus métier
Une modélisation des processus métier permet de représenter le fonctionnement d’un
processus en spécifiant ensemble des activités à exécuter et en définissant l’ordre
d’exécution des ces activités. C'est sur cette définition que les approches de
modélisation de processus métier divergent. En effet, dans la littérature, le
comportement du processus peut être défini d’une manière explicite (l’approche
impérative) ou d’une manière explicite (l’approche déclarative).
(A) La modélisation impérative (B) La modélisation déclarative
Fig. : Exemple de la modélisation impérative et de la modélisation déclarative
Modèle impératif Modèle déclaratif
Modèle de granularité Centré-processus Centré-activité
Description des flux de contrôle Explicite Implicite
Définition du scenario d’exécution Phase de modélisation Phase d’exécution
Gestion des événements Evènements simples Evènements complexes
Exécution du processus Totalement-spécifiée Partiellement-spécifiée
Langages Impératifs Déclaratifs
Tableau Le modèle impératif vs modèle déclaratif
Le tableau présente une comparaison entre les deux approches de modélisation de
processus. Premièrement, dans la modélisation impérative qui est orientée processus, le
concepteur modélise le processus de façon globale. Tandis que la modélisation déclarative
est orientée activités où les contraintes qui restreignent les possibilités d’exécution des
activités sont prises en compte. Par ailleurs, l’approche impérative propose souvent d’utiliser
des événements simples. Contrairement à l’approche déclarative qui propose de gérer les
événements complexes (composés) car cette manière de modéliser utilise les événements
pour déclencher l’exécution des activités. Ceci étant, la modélisation impérative exige
l’exécution des processus totalement spécifiés. A l’inverse de la modélisation déclarative qui
permet l’exécution des processus partiellement spécifiés. Finalement, pour représenter la
modélisation impérative en utilisent les langages impératifs.
Exemple des regles
Si le Salaire <4000 donc le consommateur est Faible
Si le Salaire entre 4000 et 10000 donc le consommateur est Normal
Si le Salaire entre Age > = 40 et solde > 100000 et Sexe = Homme donc le consommateur est
Contrôleur
Les méthodes pour extraire les règles :
Il existe de nombreuses façons pour apprendre des règles à partir d’ une base de données , les
algorithmes ont été choisis pour couvrir un large domaine d'idées générales pour
l'apprentissage de règles, de sorte que les trois représentent des approches très différentes.
OneR apprend des règles à partir d'une seule caractéristique. OneR se caractérise par
sa simplicité, son interprétabilité et son utilisation comme référence.
La couverture séquentielle est une procédure générale qui apprend itérativement des
règles et supprime les points de données qui sont couverts par la nouvelle règle. Cette
procédure est utilisée par de nombreux algorithmes d'apprentissage de règles.
Les listes de règles bayésiennes combinent des modèles fréquents pré-exploités dans
une liste de décision à l'aide de statistiques bayésiennes. L'utilisation de modèles pré-
minés est une approche commune utilisée par de nombreux algorithmes
d'apprentissage de règles.
Commençons par l'approche la plus simple : Utiliser la meilleure caractéristique unique pour
apprendre des règles.
Apprendre les règles à partir d'une seule fonctionnalité :
L'algorithme OneR proposé par Holte (1993) est l'un des algorithmes d'induction de règles les
plus simples. Parmi toutes les caractéristiques, OneR sélectionne celle qui contient le plus
d'informations sur le résultat d'intérêt et crée des règles de décision à partir de cette
caractéristique.
Malgré le nom OneR, qui signifie "One Rule", l'algorithme génère plus d'une règle : il s'agit
en fait d'une règle par valeur de caractéristique unique de la meilleure caractéristique
sélectionnée. Un meilleur nom serait OneFeatureRules.
L'algorithme est simple et rapide :
Discrétiser les caractéristiques continues en choisissant des intervalles appropriés.
Pour chaque caractéristique :
o Créez un tableau croisé entre les valeurs de la caractéristique et le résultat
(catégorique).
o Pour chaque valeur de la caractéristique, créez une règle qui prédit la classe la
plus fréquente des instances qui ont cette valeur de caractéristique particulière
(peut être lue à partir du tableau croisé).
o Calculez l'erreur totale des règles pour la caractéristique.
Sélectionnez la caractéristique ayant l'erreur totale la plus faible.
good big no high
bad medium no medium
good medium only cats medium
good small only cats medium
bad medium yes medium
bad small yes low
bad medium yes low
bad small no low
Tableau. : exemple d’une base de données
Les méthodes pour extraire les règles :
Il existe de nombreuses façons pour apprendre des règles à partir d’ une base de données , les
algorithmes ont été choisis pour couvrir un large domaine d'idées générales pour
l'apprentissage de règles, de sorte que les trois représentent des approches très différentes.
OneR apprend des règles à partir d'une seule caractéristique. OneR se caractérise par
sa simplicité, son interprétabilité et son utilisation comme référence.
La couverture séquentielle est une procédure générale qui apprend itérativement des
règles et supprime les points de données qui sont couverts par la nouvelle règle. Cette
procédure est utilisée par de nombreux algorithmes d'apprentissage de règles.
Les listes de règles bayésiennes combinent des modèles fréquents pré-exploités dans
une liste de décision à l'aide de statistiques bayésiennes. L'utilisation de modèles pré-
minés est une approche commune utilisée par de nombreux algorithmes
d'apprentissage de règles.
Commençons par l'approche la plus simple : Utiliser la meilleure caractéristique unique pour
apprendre des règles.
Apprendre les règles à partir d'une seule fonctionnalité :
L'algorithme OneR proposé par Holte (1993) est l'un des algorithmes d'induction de règles les
plus simples. Parmi toutes les caractéristiques, OneR sélectionne celle qui contient le plus
d'informations sur le résultat d'intérêt et crée des règles de décision à partir de cette
caractéristique.
Malgré le nom OneR, qui signifie "One Rule", l'algorithme génère plus d'une règle : il s'agit
en fait d'une règle par valeur de caractéristique unique de la meilleure caractéristique
sélectionnée. Un meilleur nom serait OneFeatureRules.
L'algorithme est simple et rapide :
Discrétiser les caractéristiques continues en choisissant des intervalles appropriés.
Pour chaque caractéristique :
o Créez un tableau croisé entre les valeurs de la caractéristique et le résultat
(catégorique).
o Pour chaque valeur de la caractéristique, créez une règle qui prédit la classe la
plus fréquente des instances qui ont cette valeur de caractéristique particulière
(peut être lue à partir du tableau croisé).
o Calculez l'erreur totale des règles pour la caractéristique.
Sélectionnez la caractéristique ayant l'erreur totale la plus faible.
OneR crée les tableaux croisés entre chaque fonctionnalité et le résultat :
Location/value value=low value=medium value=high
location=bad 3 2 0
location=good 0 2 3
Tableau. : tableau croisé entre Location et value
Size/value value=low value=medium value=high
Size=big 0 0 2
Size=medium 1 3 0
Size=small 2 1 1
Tableau. : tableau croisé entre Size et value
Pets/value value=low value=medium value=high
Pets =no 1 1 2
Pets = only cats 0 2 0
Pets =yes 2 1 1
Tableau. : tableau croisé entre Pets et value
