Du modèle de processus d’affaires à la spécification des exigences en contexte de systèmes intelligents : application de la méthode CommonKADS
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.015 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.005 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.010 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".