Université de la Manouba Institut Supérieur des Arts Multimédia
Module : IA Responsable : Chiraz Trabelsi
M1 - DSIR
Exercices : Agents Intelligent et PEAS
Exercice 1 : Agent PEAS avec raisonnement automatique sur ontologie
Vous travaillez pour une entreprise qui développe un système d'aide au diagnostic médical.
La base de connaissances repose sur une ontologie médicale (exprimée en OWL) décrivant :
• Les maladies,
• Les symptômes,
• Les traitements,
• Les relations causales ("provoque", "indique", "est traité par", etc.).
Or, beaucoup de relations indirectes entre maladies et traitements ne sont pas encore explicites.
L'entreprise veut un agent intelligent capable :
• D'analyser l'ontologie existante,
• D'inférer de nouvelles connaissances (ex : "Si maladie A provoque symptôme B, et traitement C soigne B, alors C peut
potentiellement traiter A"),
• D'enrichir automatiquement l'ontologie avec ces nouvelles relations hypothétiques.
Mission de l'agent
1. Surveiller les ajouts ou mises à jour dans l'ontologie.
2. Raisonner automatiquement pour déduire :
o Nouvelles relations entre maladies et traitements,
o Nouveaux sous-types de maladies basés sur les symptômes communs.
3. Proposer l’ajout de ces connaissances à la base.
4. Étiqueter les nouvelles connaissances avec un niveau de confiance basé sur la qualité des inférences.
Questions :
1. Analyse de l'environnement de l'agent
2. Proposez une fiche PEAS pour cet Agent.
Exercice 2 : Agent de gestion des connaissances à partir d'un réseau sémantique
Vous devez concevoir un agent intelligent qui gère et optimise les connaissances au sein d'une entreprise, en utilisant un réseau
sémantique pour organiser les informations. L'agent devra être capable de comprendre des concepts interconnectés, tirer des
conclusions à partir des relations entre ces concepts et proposer des actions basées sur les connaissances extraites du réseau
sémantique.
Mission de l'agent :
L'agent doit permettre aux employés de poser des questions sur les différentes sections du réseau de connaissances de l'entreprise,
fournir des réponses basées sur le raisonnement sémantique et proposer des solutions à des problèmes en se basant sur les relations
sémantiques entre concepts. Par exemple, l'agent peut être chargé de fournir des recommandations sur les meilleurs processus à
suivre pour une tâche donnée en fonction des connaissances antérieures.
1. Analyser l'environnement PEAS pour l'agent de gestion des connaissances en utilisant un réseau sémantique.
2. Définir des critères de performance basés sur la gestion des connaissances.
3. Élaborer des règles logiques et un raisonnement sémantique pour extraire des informations utiles du réseau.
4. Optimiser les actions de l'agent basées sur la compréhension des relations sémantiques.
1. Analyse PEAS pour l'agent de gestion des connaissances
Complètez la fiche PEAS pour cet agent en tenant compte du réseau sémantique dans lequel il évolue.
Élément Détails
Nom de l'agent Agent de gestion des connaissances
- Précision des réponses données par l'agent (taux d'exactitude de l'information)
Performance
- Rapidité de la réponse (temps de recherche)
Measure
- Pertinence des recommandations proposées
Réseau sémantique structuré autour des connaissances de l'entreprise (projets, processus, outils, documents)
Environment
et les questions des employés.
Actuators - Recommandations sur des actions à entreprendre (comme suggérer une tâche ou un processus à suivre)
1
Élément Détails
- Fournir des informations ou des réponses via l'interface utilisateur
- Interaction avec l'utilisateur (questions)
Sensors - Accès aux données du réseau sémantique pour rechercher des concepts, relations et règles logiques
associées
2. Raisonnement sémantique et logique
L'agent doit utiliser un réseau sémantique pour effectuer du raisonnement logique et tirer des conclusions sur la base de relations
entre concepts. Par exemple, si l'agent reçoit la question : "Quel processus suivre pour développer un nouveau produit ?", il devra
chercher des concepts liés tels que "développement de produit", "étapes de conception", et "tests", et en déduire la séquence logique
à suivre.
1. Formulez des règles logiques sémantiques pour l'agent. Par exemple :
o Si le processus "développement de produit" inclut "tests de validation", alors le processus suivant est "tests
utilisateurs".
o Si un concept "outil de design" est lié à "logiciel", alors une recommandation est de suggérer l'utilisation du
"logiciel X".
2. Identifiez des relations sémantiques clés dans un réseau qui seraient utilisées pour le raisonnement, telles que :
o Hyperonymie (relation entre un concept plus générique et un concept spécifique) : "processus de développement"
→ "développement logiciel".
o Hyponymie (relation entre un concept plus spécifique et un concept générique) : "tests de performance" →
"tests".
3. Exploitation des relations sémantiques pour la prise de décision
L'agent doit être capable de tirer parti des relations dans le réseau sémantique pour prendre des décisions optimisées. Il pourrait, par
exemple, utiliser un raisonnement basé sur les graphes de connaissances pour proposer des actions.
1. Proposez un cas d’utilisation où l’agent recommande un processus d'optimisation basé sur les relations sémantiques du
réseau, comme par exemple optimiser les processus de production en fonction des interactions entre les concepts liés à
"qualité", "efficacité", et "coût".
2. Comment l'agent pourrait-il proposer un plan d'action personnalisé en fonction des connaissances disponibles dans le
réseau sémantique ? Quels types de relations seraient utilisés ?
4. Amélioration continue du raisonnement de l'agent
L'agent peut également utiliser l'apprentissage pour améliorer ses recommandations en fonction des retours des utilisateurs. Par
exemple, si un utilisateur est satisfait d'une solution proposée, l'agent pourrait ajuster son modèle pour renforcer les relations
sémantiques ayant conduit à cette recommandation.
1. Décrivez un mécanisme d'apprentissage qui permettrait à l'agent de modifier ses règles ou ses relations sémantiques en
fonction des retours d'utilisateurs ou des changements dans le domaine des connaissances.
2
3
