Du modèle de processus d’affaires à la spécification des exigences en contexte de systèmes intelligents : application de la méthode CommonKADS
Notice bibliographique
Résumé
De plus en plus d’organisations se tournent vers l’intelligence artificielle (IA) ces dernières années, principalement en raison de l'accès important à de grandes quantités de données ainsi qu’aux profits qu’elle apporte aux entreprises qui l’utilisent. Afin de concevoir un système intelligent, il est primordial de définir les exigences, c’est-à-dire la capacité qu’un système doit fournir ou une condition qu'il doit remplir pour satisfaire à un besoin d’un utilisateur. La spécification des exigences est l’étape permettant de produire un document qui définit de manière complète les exigences. Cette étape s'avère donc très cruciale, car les exigences incomplètes ou erronées sont souvent citées comme cause d’échec des projets informatiques. Les exigences sont généralement dérivées des processus d’affaires. Les approches traditionnelles de définition des exigences, comme les cas d’utilisation, ne se prêtent pas aux caractéristiques des systèmes intelligents du fait que ces derniers impliquent des tâches plus complexes et des exécutions dynamiques qui évoluent en fonction de l’expérience acquise par l’exécuteur de la tâche. Ainsi, il est important de savoir comment définir les exigences dans un contexte de systèmes intelligents. L’approche CommonKADS (Schreiber et al., 2000) semble être un candidat intéressant pour ce faire. Cette approche offre un ensemble complet et structuré de six modèles à différents niveaux : contexte, concepts, artéfacts. Cette recherche consiste à savoir comment spécifier les exigences dans un contexte de système intelligent en partant du processus d’affaires. Le premier objectif de ce mémoire est d’abord d’effectuer une revue systématique de littérature décrivant l’état de l’art de la méthode CommonKADS. Un autre objectif poursuivi par cette recherche est de valider la méthode CommonKADS en l’appliquant à une situation réelle du Fonds d’investissement étudiant de l’Université de Sherbrooke (FIEUS). La méthode de recherche utilisée pour ce mémoire est la recherche en science de la conception basée sur Peffers et al. (2007) qui a permis de créer trois artéfacts : le concept d’intensivité de connaissance, la méthode de spécification des exigences et l’instance d’application au FIEUS. L’application de l’approche CommonKADS au FIEUS a permis de définir trois modèles de processus d'affaires : processus de sélection de titres admissibles, processus de suivi du portefeuille et processus de suivi de titres. Ces modèles correspondent au niveau du contexte de l’approche CommonKADS. En tout, quatre tâches provenant des processus ont été identifiées comme tâches cognitives ou intensives en connaissances : sélectionner les titres à analyser, analyser les paires de titres, analyser les titres et configurer le portefeuille. Le modèle de connaissances de CommonKADS a permis de représenter leur structure d’inférence à partir d’une typologie de tâches intensives en connaissances. Une structure d’inférence représente le raisonnement pour réaliser une tâche. La méthode CommonKADS a permis de définir les exigences dans des situations plus complexes qui ne peuvent pas être définies par des approches traditionnelles comme les cas d’utilisation. Cette recherche a démontré que l’approche CommonKADS permet de définir des situations d’affaires en gestion de portefeuille pour lesquelles les règles ne sont pas rigoureusement définies et pour lesquelles l’intelligence artificielle pourrait être une technologie candidate. Une piste de recherche future consiste à élaborer des mécanismes permettant la sélection de technologies intelligentes une fois les exigences définies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,005 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».