Decision aid and knowledge discovery (DECIDE)

Responsable : Philippe Lenca et Thierry Dhorne

L'équipe s'intéresse ainsi aux aspects méthodologiques, algorithmiques, et robustesse des modèles en aide à la décision et en fouille de données. Ces travaux nous conduisent également à nous intéresser aux langages de modélisation des données et des processus, fonctionnels et/ou méthodologiques, afin de développer des outils performants.

 Aide à la décision

En aide à la décision notre ambition est de développer des systèmes d'aide à la décision pour des décideurs expert et des décideurs non expert du processus de décision étudié. L'approche naturaliste consiste à modéliser le comportement d'un décideur expert à l'aide d'un ensemble aussi réduit que possible de structures décisionnelles de référence. Ces dernières forment un miroir de l'expertise et une fois réexprimées sous un forme adéquate (principalement sous forme de règles de production) constituent le socle de systèmes (cognitifs) d'aide à la décision (intrusifs ou non). S'appuyant sur ce socle, plus réaliste et proche du décideur, notre ambition est de développer des Modèles Cognitifs pour les Systèmes d'Aide à la Décision tant au niveau individuel que collectif. Lorsque l'on est confronté à des décideurs non experts, il est fondamental d'aider à ces derniers à éliciter leur système de préférence (notamment les critères de décision, l'importance relative de ces critères, etc.). Nos travaux de modélisation mathématique, en aide multicritère à la décision portent notamment sur ce point et le développement d'approches constructives pour l'aide à la décision. Par ailleurs, nous nous intéressons également à la robustesse des solutions proposées et à la spécification de services pour l'aide à la décision. Nous nous intéressons aux deux grands paradigmes étudiés généralement séparément en aide à la décision, le surclassement et l'utilitarisme.

Fouille de données

En fouille de données nos objectifs sont l'amélioration des algorithmes de fouille et l'aide à l'interprétation et à l'évaluation des connaissances découvertes. Il est en effet reconnu que l'une des étapes clés d'un processus de fouille de données est la phase d'interprétation et d'évaluation des connaissances découvertes. Les travaux menés en fouille de données portent sur ces deux points. Nous nous intéressons ainsi à la conception et l'analyse de nouveaux algorithmes d'apprentissage améliorant les performances de références, et à la validation des connaissances extraites.

Au niveau algorithmique nous étudions principalement l'intégration de mesures objectives permettant à la fois de développer des algorithmes efficaces (complets et heuristiques) tout en s'assurant de la qualité des résultats produits. Ces travaux sont menés pour les algorithmes, produisant des règles de production, les plus utilisés notamment les règles d'association, et les algorithmes de détection de communautés dans les réseaux sociaux (apprentissage non supervisé), les règles de classe associatives et les arbres de décision (apprentissage supervisé). Cette approche est complétée par l'intégration de connaissances expertes au sein des algorithmes et par des méthodes ensemblistes faisant coopérer un ensemble de classifieurs.

Pour la validation des connaissances extraites notre ambition est de fournir un cadre générique de la notion de qualité. Pour ce faire nous proposons de formaliser les propriétés mesurables de la qualité d'une connaissance et proposons de développer une méthodologie pour étudier les mesures objectives de qualité afin de fournir une aide au décideur devant sélectionner les bonnes connaissances. Encore une fois cette approche est complétée par l'intégration de connaissances expertes afin de définir des mesures subjectives de qualité. Concernant le clustering de graphes, la visualisation des communautés et la caractérisation explicite de celles-ci contribuent à l'interprétation et à la validation de la cartographie produite.