Structuration multi-échelle de la connaissance in-extenso

Télécharger le fichier pdf d’un mémoire de fin d’études

Valeur et granularité de la connaissance

Les travaux de recherche en gestion des connaissances accordent de plus en plus d’attention à la valeur de la connaissance. La problématique d’étudier le caractère accordant une valeur à la connaissance est un vrai challenge pour la communauté scientifique et se manifeste comme un enjeu majeur pour les industriels. La valeur de la connaissance peut être définie comme « la valeur qui indique la mesure, le niveau de conformité ou de la dérivation de l’eﬀet de la connaissance par rapport aux exigences de son application ou de sa capacité à être mise en œuvre »[Zhang, 2014]13.
Des travaux ont été menés afin d’étudier les aspects qualitatifs [Carlucci et al., 2004] et quanti-tatifs [Xu, 2010] [Zhang, 2014] liées à la valeur de la connaissance. Le modèle KnoVA (Knowledge Valorisation and Acquisition) s’appuie sur une approche théorique pour mesurer la valeur de la connaissance. Ce modèle proposé par [Serrafero, 2002] repose sur le processus IGNITION (Intellig-Gence/iNfromation mutaTION) qui implique un nombre d’unités de mesure :
• Bit : mesure l’information,
• Tit : mesure du type cognitif,
• Kit : mesure de la connaissance,
• Vit : mesure de la vérité,
• Cit : mesure de la certitude,
• Rit : mesure de la compétence,
• Lit : mesure de l’intelligence.
Dans ses travaux de thèse, [Xu, 2010] propose une représentation unifiée de la valeur de la connais-sance. Cette représentation repose sur deux vecteurs et est composée sur deux niveaux :

Le niveau de données Vcontenu décrit explicitement la connaissance elle-même.

Chaque attribut du vecteur Vattribut de la connaissance dans le modèle de Xu est caractérisé par un poids qui traduit l’importance de l’attribut de la connaissance en fonction de son objectif. Le vecteur de connaissance décrit l’évolution de la connaissance. Il est donc composé de deux éléments décrivant le contenu et les attributs de la connaissance : Vconnaissance = (Vcontenu, Vattribut).
La granularité est parmi les caractéristiques particulières de la connaissance. En eﬀet, la connais-sance peut être décrite et structurée entre deux niveaux macro et micro suivant une structure hiérar-chique [Mach et Owoc, 2010]. Contrairement aux informations qui sont manipulées par un système informatique comme un jeu de données, les granulés de connaissance sont plutôt manipulés en tant qu’unités corrélées.
Les travaux menés sur la quantification de la connaissance peuvent être des éléments d’entrée intéressants pour caractériser le niveau de complétude de la connaissance. Néanmoins, le dessein visé diﬀère du nôtre du fait que nous ne nous intéresserons pas à mesurer le niveau de complétude de la connaissance ou le quantifier. Notre objectif consiste plutôt à proposer une structuration de connais-sance granulaire qui incarne cette notion de complétude et qui sera opérationnelle et exploitable via un système à base de connaissances.
Comme nous venons de le voir, des travaux décrivent l’aspect granulaire de la connaissance [Zeng et Zhong, 2008]. Dans le contexte de nos travaux, nous nous appuyons sur ce concept parti-culier dans la perspective de proposer une structuration favorisant une assimilation harmonieuse et progressive de la connaissance par l’être humain.

Méthodes de gestion et d’ingénierie des connaissances

L’ingénierie des systèmes à base de connaissances vise à concevoir des systèmes qui permettent
à leurs utilisateurs de mettre à jour, partager et exploiter des connaissances. L’élaboration d’un tel système doit passer par un processus d’identification, de capture, de structuration et de formalisation des connaissances [Bernard et al., 2009]. Dans cette section, nous nous intéressons aux approches proposées afin de capitaliser et préserver les connaissances de l’entreprise.
Ce tour d’horizon couvre :
• Les approches ascendantes : ce type d’approche s’appuie sur l’acquisition des nouvelles connais-sances par induction et en utilisant des techniques d’extraction des connaissances à l’instar de l’extraction des connaissances à partir de données (ECD) ou l’extraction des connaissances à partir des textes (ECT),
• Les approches descendantes : les approches descendantes se basent sur des modèles existants de la connaissance,
• Les approches coopératives : dans les approches coopératives, les connaissances sont structurées en se basant sur les interactions entre les individus.
On distingue plusieurs méthodes :
MASK : MASK (Methodology for Analyzing and Structuring Knowledge) est une méthodologie de formalisation et structuration des connaissances conçue dans les travaux de [Ermine, 2003] et successeur de la méthode MKSM proposée par le même auteur. Elle repose sur une démarche systémique visant à aﬃner la formalisation des connaissances. MASK propose un ensemble de modèles compilés pour former un document de référence : le « livre des connaissances ».
MOKA : MOKA (Methodology and software tools Oriented to Knowledge Based engineering Ap-plications) fait partie des approches de structuration des connaissances ascendantes. Cette méthode est répandue dans le domaine d’ingénierie à base de connaissances14. Elle est consti-tuée de deux phases. La première phase, dite informelle, vise à capitaliser les connaissances à l’aide des représentations schématiques en diagrammes. La phase formelle consiste à structurer les connaissances identifiées au cours de la première étape avec un langage formel à travers l’ontologie ICARE [MML.Working.Group, 2000] qui été étendue dans le cadre des travaux de thèse de Ammar-Khodja [Ammar-Khodja, 2007].
KOD : La méthode KOD (Knowledge Oriented Design) repose sur trois modèles diﬀérents : le modèle cognitif, pratique et informatique [Vogel, 1991]. Les deux premiers modèles sont bâtis en se basant sur un dictionnaire taxinomique construit à travers des entretiens avec des experts. Le modèle informatique prend en entrée ces deux modèles pour définir les composants d’un système à base de connaissances.
GAMETH : Initiée par [Grundstein, 2000], GAMETH (Global Analysis METHodology) induit une démarche de capitalisation des connaissances sur trois étapes. La première étape consiste à déterminer et modéliser le périmètre d’intervention (les processus sensibles) en fonction de son importance pour l’entreprise. Dans la deuxième étape, les problèmes déterminants sont identifiés. Il s’agit de déterminer les contraintes et les dysfonctionnements qui peuvent influencer les processus sensibles. Après, la dernière étape vise à cerner les connaissances cruciales à capitaliser qui seront ensuite répertoriées [Pachulski et al., 2002].
CYGMA : CYGMA (CYcle de vie et Gestion des Métiers et des Applications) est une méthode de recueil, de formalisation et de capitalisation des savoir-faire de conception. Les connaissances dans CYGMA sont extraites à partir des entretiens avec des experts et à partir de l’analyse de la documentation. Elles sont ensuite réparties entre quatre documents : le glossaire métier, le livret sémantique, le cahier de règles et le manuel opératoire [Dieng et al., 2001].
CommonKADS : De même que son antécédent KADS, la finalité de la méthode commonKADS (Common Knowledge Acquisition and Design System) consiste à concevoir un système à base des connaissances [Schreiber et al., 1994]. Cette méthode se focalise sur l’aspect conceptuel et propose six modèles pour structurer les connaissances. Le processus d’élaboration d’un système à base de connaissances avec CommonKADS est un processus itératif de trois phases : la phase d’analyse permet de définir le modèle organisationnel, modèle d’agent, modèle des tâches, modèle de communication et modèle d’expertise. Dans la phase de conception, les deux modèles fonctionnel et physique sont établis. La phase finale concerne le prototypage du système à base de connaissances.
Un comparatif plus détaillé sur les modèles, les phases et les stratégies de capitalisation des connais-sances utilisées par ces méthodes (complété par d’autres méthodes) est représenté en annexe A.
La structure de connaissance que nous visons à concevoir est destinée à être implémentée sur un système à base de connaissances. Cette aﬃrmation élimine donc les approches coopératives de gestion de connaissances ainsi que les méthodes qui ne sont pas conçues pour être implémentées sur un support informatique. Par suite, le positionnement de nos travaux par rapport à l’ensemble des méthodes s’intéresse plutôt à celles dont la finalité est destinée à concevoir un système à base de connaissances telles que CommonKADS et KOD vue le contexte du projet ARTUR.
Il est important de signaler qu’à travers ces méthodes, la connaissance, et généralement un système à base des connaissances, peut être modélisée de diverses manières répondant chacune à des diﬀérentes contraintes spécifiques : hétérogénéité des sources de connaissances, nécessité de prendre en compte une large masse d’informations, faciliter la mise à jour de connaissances, etc.
Toutefois, nous estimons que d’autres points doivent être pris en compte lors de la conception d’un système à base de connaissances dans un contexte « usine du futur » :
• considérer davantage l’aspect humain : il est fondamental de dire que l’être humain joue un rôle central dans la conception de systèmes à base de connaissances notamment dans le processus de formalisation des connaissances. Néanmoins, l’interprétation de la connaissance n’échappe pas à certains risques d’ambiguïtés. Cette ambiguïté peut être d’ordre cognitif relevant d’une diﬃculté d’appropriation de son « consommateur »,
• prendre en compte le « turn-over » de compétences et les approches innovantes de répartition des tâches et de gestion de ressources humaines.
• enfin, tenir compte de l’explosion de l’usage du numérique qui révolutionne les repères tradi-tionnels de conduite des tâches et qui ouvre des perspectives sur la manière de restituer les connaissances (réalité virtuelle, tablettes tactiles, montres connectées, etc.).

Techniques de modélisation de la connaissance

La modélisation des connaissances permet de faciliter le passage du monde réel vers un modèle formel facile à manipuler par un système à base de connaissances. Selon [Paquette et al., 2003], la modélisation des connaissances est « une représentation des connaissances relatives à un domaine donné qui vise à identifier et structurer les connaissances en une représentation schématique pour les rendre visibles, manipulables, compréhensibles et communicables ».
Dans la littérature, plusieurs formalismes ont été proposés pour représenter la connaissance. Dans cette section, nous représentons trois types de formalismes que nous estimons les plus significatifs : UML (Unified Modeling Language) et son extension OCL(Object Constraint Language), les ontolo-gies et les graphes conceptuels.
Le formalisme UML/OCL : UML (Unified Modeling Language) est un langage formel défini par l’OMG15 (Object Management Group).
Le formalisme UML a été initialement éprouvé pour représenter la connaissance dans un projet européen dénommé ESPRIT. C’est dans ce cadre que la méthodologie MOKA présentée dans la section précédente et le langage MOKA Modeling Language (MML) [Brimble et Sellini, 2000] basé sur UML ont été conçu.
Dans [Cranefield, 2006] l’auteur recense un nombre d’apports du formalisme UML par rapport à la représentation de la connaissance :
• la modélisation des objets pertinents du domaine est faite de manière statique,
• la modélisation des comportements est traitée grâce aux diagrammes dynamiques,
• la connaissance exprimée grâce à UML est directement compréhensible par l’homme (grâce à la représentation graphique) et par le système,
• de nouvelles connaissances peuvent être dérivées des modèles UML grâce au raisonnement sur leur contenu. En particulier, l’utilisation d’OCL (Object Constraint Langage) permet d’attribuer des contraintes et des règles sur un diagramme. En eﬀet, le langage OCL constitue une extension du langage UML permettant de représenter des contraintes afin de compléter les spécifications d’une modélisation. Particulièrement, les contraintes OCL sont utilisées dans le diagramme de classe UML [OMG, 2003].
Les ontologies : une ontologie permet la représentation des connaissances à l’aide d’un formalisme approprié et particulier pour un domaine d’application. Les ontologies sont introduites dans le 15l’OMG est un organisme qui vise à standardiser et promouvoir le modèle objet – www.omg.org domaine de l’ingénierie des connaissances comme une approche d’organisation des connaissances ayant des mécanismes de raisonnement et d’inférence.
Parmi les définitions, les plus citées dans la littérature sont celles proposées par [Gruber, 1993] : « l’ontologie est une spécification explicite d’une conceptualisation » et « une ontologie apporte les moyens pour décrire explicitement la conceptualisation sous-jacente aux connaissances re-présentées dans une base de connaissances » proposée par [Gòmez-Pérez et Benjamins, 1999]. Suivant [Psyché, 2007], « les ontologies ont pour rôle de fournir un système de concepts fonda-mentaux du domaine afin de construire une base solide sur laquelle sont construites des bases de connaissances partageables et utilisables ». L’ensemble de ces concepts fondamentaux est décrit dans [Gruber, 1993] :
1. Les concepts ou les classes : ce sont des notions permettant la description d’une tâche, d’une fonction, d’une action ou d’un processus de raisonnement. Ils peuvent être abstraits ou concrets, élémentaires ou composés, réels ou fictifs. Habituellement, les concepts sont organisés en taxonomie. Une taxonomie est une hiérarchie de concepts reliés entre eux en fonction de critères sémantiques particuliers.
2. Les relations : représentent un type d’interaction entre deux ou plusieurs concepts. Des exemples de relation sont « subclass-of » ou encore « connected-to ».
3. Des fonctions : sont un cas particulier de relation à n éléments où le dernier élément de la relation est unique pour les n-1 premiers éléments.
4. Les axiomes : permettent de définir la sémantique des termes (classes, relations), leurs propriétés et toutes contraintes quant à leur interprétation. Ils sont définis à l’aide de formules bien formalisées de la logique du premier ordre en utilisant les prédicats de l’ontologie.
5. Les instances : utilisées pour représenter les éléments.
Les graphes conceptuels (GCs) : le formalisme de représentation de connaissances par les graphes conceptuels s’inspire de réseaux sémantiques visant à construire une modélisation de la « mé-moire humaine ».
Les graphes conceptuels sont des descendants de réseaux sémantiques introduits par [Sowa, 1999] sous une forme logique précise compréhensible par des humains et adaptée à un traitement au-tomatique [Raimbault, 2008].
Dans ce formalisme, la connaissance est représentée par des concepts et des relations concep-tuelles. Les concepts représentent des objets du monde réel appelés aussi des objets de connais-sances. Les relations conceptuelles permettent d’associer les objets de connaissances entre eux [Chein et Mugnier, 1992].
Dans ses travaux de thèse, [Raimbault, 2008], souligne deux intérêts du modèle basé sur les graphes conceptuels :
• les graphes conceptuels permettent de représenter les connaissances de façon graphique. Un graphe conceptuel est un graphe biparti étiqueté. Les deux classes de sommets sont étiquetées respectivement par des noms de concept et des noms de relations conceptuelles entre ces concepts. Une telle représentation graphique des connaissances permet à des utilisateurs de comprendre, créer ou modifier directement des connaissances.
• le deuxième intérêt, suivant toujours le même auteur, réside dans le fait que des rai-sonnements peuvent être eﬀectués sur les connaissances représentées. Ces raisonnements peuvent être vus soit comme des opérations de graphes, soit comme des inférences lo-giques. Dans le premier cas, les graphes conceptuels sont considérés comme des graphes étiquetés et les raisonnements se basent sur des travaux d’algorithmique de graphe. Dans le second cas, un graphe conceptuel est considéré comme une représentation graphique d’une formule logique, les raisonnements sont alors eﬀectués sur les formules logiques par un démonstrateur logique.
Avant d’expliciter notre positionnement par rapport aux formalismes de représentation de connais-sances, il nous semble important d’exposer les points sur lesquels notre choix va être basé :
• représentation homogénéisée : étant donnée la diversité des champs d’applications du système à base de connaissances que nous visons à concevoir, le formalisme doit inclure une représentation unifiée,
• formalisation intuitive : le processus de formalisation de connaissances est un processus com-plexe qui implique des experts métiers qui ne sont pas, apriori, des spécialistes en ingénierie des connaissances. Ainsi, le formalisme choisi doit être sous un format compréhensible et facile à mettre à jour,
• enfin, le formalisme doit garantir une maintenance aisée et peut être facilement extensible.
Ceci dit, il s’avère que le formalisme qui tend à répondre à nos besoins concernant la structuration de connaissances est celui basé sur les graphes conceptuels. En eﬀet, la structuration basée sur le niveau de complétude de la connaissance comme elle sera décrite dans le chapitre 5 nécessite la hiérarchisation de la connaissance sur plusieurs niveaux, une particularité diﬃcile à modéliser en UML.

Modélisation de connaissances métiers

La modélisation des connaissances de l’entreprise fait souvent référence à la modélisation des objets de l’entreprise qui incorporent la connaissance. L’objet de l’entreprise est « une entité constitutive de l’entreprise et/ou manipulée par elle et qui joue un rôle dans son fonctionnement »[Labrousse, 2004]. Dans cette section, nous présentons une synthèse des principaux modèles de gestion des connaissances industriels.
UEML : UEML (Unified Enterprise Modelling Language) est un langage de modélisation d’entre-prise proposé dans les travaux de [Vernadat, 2002] dans le but de fournir un consensus en termes de terminologies utilisées dans la modélisation d’entreprise et des concepts à employer lors de la conception d’un modèle d’entreprise. Selon [Vernadat, 2002] l’objet de l’entreprise est toute entité utilisée, créée, transformée ou traitée par les activités de l’entreprise.
Le méta-modèle UEML (Figure 3.4) repose sur des concepts dits de base tels que : unité d’organisation, ressource, activité, etc. D’autres concepts spécifiques à un domaine d’application peuvent être ajoutés au modèle.
Le modèle FBS-PPRE : Le modèle FBS-PPRE (Function Behaviour Structure – Product Pro-cess Ressource External Eﬀects) [Labrousse, 2004] étend le modèle FBS (Function Behaviour Structure) proposé dans les travaux de [Gero, 1990] dans le but d’oﬀrir une meilleure généricité et complétude. FBS-PPRE se veut unifié afin d’assurer une gestion dynamique des connais-sances de l’entreprise. Ce modèle s’appuie sur le postulat que toute information concernant un objet d’entreprise est organisée suivant trois classes de base : fonction, comportement et structure. La figure 3.4 illustre les concepts utilisés dans le modèle FBS-PPRE.
Labrousse est défini comme « un objet qui agit en tant que contrainte sur le système proces-sus/produit/ressource considéré. Cet eﬀet participe à la définition du contexte et peut être prévisible ou non. Il influe sur le déroulement des activités ». Cette notion sera explicitement présentée dans la suite.
AKM : Le principe sur lequel repose l’approche AKM (Active Knowledge Management) proposée dans les travaux de [Lillehagen et Krogstie, 2008] est de fournir aux utilisateurs finaux d’un système à base de connaissances des modèles visuels faciles à modifier au moment de l’exécu-tion. En eﬀet, l’architecture AKM repose sur un ensemble de sous-modèles16 reconfigurables permettant la capitalisation et le partage de connaissances dans l’environnement de travail.
De même, notre vision repose sur l’implication de l’utilisateur du système dans les processus de capitalisation et d’exploitation des connaissances mais à contrario, dans le contexte de notre étude ce processus d’adaptation se fait d’une manière proactive et transparente pour l’utilisateur final. Modèles basés sur les patrons de conception : L’approche de modélisation de connaissances basée sur les patrons pour l’ingénierie des Systèmes d’Informations Produit (ISP) et dévelop-pée dans le cadre des travaux de thèse de [Gzara, 2000] repose sur le postulat que le fait de capitaliser des connaissances ne permet pas de conclure qu’elles seront facilement réutilisables.
L’auteur propose donc deux méta-modèles produit (Figure 3.5) et processus. La modélisation est faite suivant diﬀérents niveaux d’abstraction. Dans le modèle produit, [Gzara, 2000] dis-tingue entre le produit physique et le produit virtuel suivant le niveau de concrétisation. De plus, le produit dans le modèle de Gzara peut avoir trois représentations : Produit-Générique, Type-Produit et Produit-Physique. Elle associe deux types de connaissances aux trois entités proposées : les propriétés et les contraintes.

Synthèse et questions de recherche

Comme nous l’avons vu en première section de ce chapitre, la connaissance selon certains auteurs résulte de l’interaction entre l’humain et l’information. L’assimilation de la connaissance, et par suite sa transformation en sagesse, est un processus complexe faisant intervenir plusieurs paramètres qui ne sont pas forcément explicites dans les modèles de connaissances proposés dans la littérature.
Nous avons fait un état des divers travaux de recherche qui nous ont permis de conclure sur l’absence d’approches qui associent un degré de complétude à la connaissance. Réduire la charge cognitive17 lors de l’utilisation d’un système à base de connaissances est une limite considérable dans ce domaine de recherche. Les éléments de réponse à cette problématique sont encore pauvres voire inexistants.
L’ensemble de ces constats nous a mené donc à la formalisation de l’hypothèse de deuxième niveau suivante :
Hypothèse H-a :La prise en compte du niveau de complétude de la connaissance lors de la conception d’un système à base de connaissances permettra de réduire la charge cognitive et favorise un apprentissage incrémental au moment de la réutilisation de connaissances.
En tenant compte de cette hypothèse, le premier axe de nos objectifs tend à proposer des éléments de réponse pour les questions de recherche suivantes :
• Qa-1 : Comment catégoriser les niveaux de complétude de connaissances ?
• Qa-2 : Comment définir une structuration multi-échelle de la connaissance ?
• Qa-3 : Comment peut-ont formaliser une structuration multi-échelle de la connaissance de l’entreprise ?
Dans une perspective de gestion optimale des connaissances, l’utilisateur doit être au cœur de la démarche. Comme nous l’avons noté dans la problématique de recherche, la notion de contexte est un facteur important pour la manipulation des connaissances contextualisées. Par conséquent, si l’on souhaite développer un système de gestion des connaissances capable de fournir une réponse adaptée et une interaction personnalisée, il est nécessaire d’élaborer un modèle de contexte explicite et générique. Ce modèle doit contenir des informations sur les acteurs du système, leurs besoins, leurs préférences ainsi que les diﬀérents éléments physiques qui les entourent.
Notre approche est fondée sur un modèle formel qui permet de structurer l’ensemble des connais-sances de l’entreprise sur diﬀérents niveaux18. Chaque niveau présente un échelle de complétude de la connaissance. En eﬀet, nous estimons qu’un système à base de connaissances doit livrer un en-semble de connaissances facile à interpréter par l’utilisateur. Pour ce faire, la connaissance doit être structurée de manière à être associée à un niveau de complétude défini. Cette structuration favo-rise une exploitation incrémentale des connaissances métiers dans leurs globalités et aussi dans leurs particularités. C’est-à-dire en oﬀrant simultanément une vision globale et synthétique ainsi qu’une vision particulière et détaillée de l’ensemble des connaissances.
À titre illustratif, cette problématique est équivalente à un médecin qui essaye de décrire une maladie à son patient, cette situation ne sera pas équivalente si la maladie était le sujet de discussion avec un collègue. Le discours contiendra certainement plus de vulgarisation et sera plus adapté à l’interlocuteur. Le cerveau humain capte intuitivement la situation.
De même, nous essayerons à travers une approche basée sur la structuration des connaissances et l’explicitation du contexte de projeter cette vision à travers un système à base des connaissances qui assiste contextuellement les acteurs de l’entreprise.
Ainsi, les contributions majeures de cette thèse s’articulent sur deux axes principaux : la struc-turation des connaissances de l’entreprise et la modélisation du contexte.
Par suite, et après avoir appréhendé les diﬀérents concepts liés au domaine de la gestion et ingénierie des connaissances, nous réalisons à travers le chapitre suivant un tour d’horizon sur les travaux conduits dans l’objectif d’expliciter le contexte.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela chatpfe.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

1 Introduction Générale
2 Contexte Industriel et Problématique de Recherche
I Connaissance, Ubiquité & Contexte : État de l’Art
3 Gestion et Ingénierie des Connaissances de l’Entreprise
3.1 Introduction
3.2 Définition de la connaissance
3.3 Typologie de la connaissance
3.4 Valeur et granularité de la connaissance
3.5 Méthodes de gestion et d’ingénierie des connaissances
3.6 Techniques de modélisation de la connaissance
3.7 Modélisation de connaissances métiers
3.8 Synthèse et questions de recherche
4 Ubiquité et Notion du Contexte
4.1 Introduction
4.2 Ubiquité et notion de contexte
4.3 La notion de situation de travail
4.4 Modélisation de contextes et de situations de travail
4.5 Synthèse et questions de recherche
II Vers un Accès Ubiquitaire à la Connaissance
5 Structuration Multi-échelle de la Connaissance In-extenso
5.1 Introduction
5.2 Connaissances in-extenso de l’entreprise
5.3 Notion de compétence
5.4 Structuration multi-échelle de la connaissance in-extenso
5.4.1 Principe et définitions
5.4.2 Formalisation mathématique
5.4.3 Modèle conceptuel
5.4.4 Formalisation avec les graphes conceptuels
5.5 Conclusion
6 Modélisation des Contextes Métiers
6.1 Introduction
6.2 Contexte et situation : définitions proposées
6.3 Identification des dimensions contextuelles
6.4 Modèle de contexte proposé
6.4.1 Modèle de contexte centré utilisateur
6.4.2 Modèle de contexte opérationnel
6.4.3 Modèle de contexte organisationnel
6.4.4 Modèle de contexte global
6.5 Conclusion
7 Vers un Mécanisme d’Adaptation Contexte/Connaissance
7.1 Introduction
7.2 Le cycle de vie du contexte
7.3 Mapping contexte-connaissances
7.4 Approche globale et modèle de référence
7.4.1 Approche globale de mise en place d’un SBC sensible au contexte
7.4.2 Le modèle de référence
7.5 Conclusion
8 Expérimentations d’un Assistant Ubiquitaire d’Entreprise
8.1 Introduction
8.2 Architecture conceptuelle
8.2.1 Visualisation des connaissances
8.2.2 Conception de la base de contextes
8.3 Expérimentations
8.3.1 Fonctionnalités de l’assistant
8.3.2 Réutilisation ubiquitaire de la connaissance
8.3.3 Accès ubiquitaire à la documentation technique
8.3.4 Accès ubiquitaire à la simulation numérique
8.4 Conclusion
9 Conclusion générale et Perspectives
9.1 Apports scientifiques
9.2 Perspectives
A Comparatif de méthodes de gestion des connaissances
A.1 Méthodes de gestion des connaissances
A.2 Références
B Code Cypher pour la création de la base de connaissances
B.1 Requêtes Cypher pour la structuration de la base de connaissances multi-échelle