Dans cette intervention nous verrons comment dans un système d\'information, un petit peu de sémantique formelle peut vous emmener très loin et nous montrerons comment les ontologies informatiques proposent une approche pour intégrer de la sémantique formelle dans les représentations d’un système d’information. Pour cela nous expliquerons cette notion d’ontologie que l\'informatique a empruntée à la philosophie au début des années 1990. Nous montrerons ensuite qu’intégrer une ontologie à un système d\'information permet de déclarer formellement un certain nombre de connaissances utilisées pour caractériser les informations gérées par le système et de se baser sur ces caractérisations et la formalisation de leur signification pour automatiser des tâches de traitement de l\'information. Les ontologies sont maintenant utilisées pour décrire et traiter des ressources multimédia ; asseoir l\'interopérabilité d\'applications en réseaux ; piloter des traitements automatiques de la langue naturelle ; construire des solutions multilingues et interculturelles ; permettre l\'intégration de sources hétérogènes d\'information ; décrire des protocoles d\'interactions complexes ; vérifier la cohérence de modèles ; permettre les raisonnements temporel et spatial ; faire des approximations logiques ; etc. Ces utilisations des ontologies se retrouvent dans de nombreux domaines d\'application : intégration d\'informations géographiques, gestion de ressources humaines, aide à l\'analyse en biologie, commerce électronique, enseignement assisté par ordinateur, bibliothèques numériques, échanges commerciaux entre partenaires industriels, suivi médical informatisé, etc. Nous aborderons les caractéristiques des ontologies, leur cycle de vie et leur opérationnalisation. Nous mentionnerons aussi un courant particulièrement prometteur pour le déploiement des systèmes à base d\'ontologies : le web sémantique permettant d’utiliser le web comme un média d’échange de données entre applications. Pour en savoir plus : http://interstices.info/jcms/c_17672/ontologies-informatiques

2. book victor hugo

3. ne lisez pas
le panneau suivant

4. Perdu!

5. nous identifions et interprétons l’information,
les machines, non.

7. il manque quelque chose…
une connaissance

8. quel est le dernier
document
que vous avez lu?

9. documents

10. votre réponse est basée sur une
ontologie partagée
je peux comprendre
vous pouvez raisonner

11. sous
type
Document
Book
Novel Short story

12. quot;voiturequot;, quot;caissequot;, quot;autoquot;,
quot;bagnolequot;, quot;tirequot;, quot;tacotquot;,
quot;automobilequot;, ...
véhicule de transport automobile
conçu et aménagé pour le transport
d'un petit nombre de personnes
- la 206 cc 3124 SH 45
- la clio 16S de Tom
- le Galaxy bleu garé
en bas à l'entrée
- ...

13. sous
type
Document
Book
Novel Short story

14. sous
type
quot;documentquot; #12
#21 ⇒ #12
quot;bookquot; #21
quot;livrequot;
#47 ⇒ #21 #48 ⇒ #21
#47 #48
quot;novelquot; quot;short storyquot;
quot;romanquot; quot;nouvellequot;

15. #12
#21 ⇒ #12
#21
#47 ⇒ #21 #48 ⇒ #21
#47 #48
connaissance
ontologique formalisée

16. ontologie
n’est pas un synonyme de
taxinomie

17. la connaissance
taxinomique
est une connaissance
ontologique
parmi d’autres

18. partie
de
méthane éthane méthanol éthanol
dioxyde de carbone dioxygène ozone phénol eau dihydrogène
méthyle
carbone oxygène hydrogène

19. combiner
différents types de connaissances ontologiques
Organic object
Individual Limb
Cat
Hierarchical model of the shape of the human body. D. Marr and H.K. Nishihara, Representation and recognition
of the spatial organization of three-dimensional shapes, Proc. R. Soc. London B 200, 1978, 269-294).

20. ontos logos
“Jacob Lorhard's quot;Ogdoas Scholasticaquot; (1606) contains the first occurrence of the term
‘ontologia’ ” Raul Corazzon on formalontology.it
être / êtres discours / science

21. Ontologie ontologie
->

22. définitions basées sur…
… le contenu
– spécification d’un vocabulaire: définitions, liens et relations, structure
du domaine et interprétation. [Uschold & Jasper, 1999]
– ensemble d’axiomes logiques conçu pour rendre compte du sens associé
à un vocabulaire. [Guarino, 1998]
… la méthode de construction
– Conceptualisation commune à tout ce qui est représenté dans une base
de connaissances. [Bernaras et al, 1996]
– Construites de façon coopérative par différentes personnes
[Gomez‐Perez et al, 2003]
… l’utilisation envisagée
– Squelette d’une base de connaissances [Swartout et al, 1997]
– Connaissance réutilisée et partagée (personnes et applications)
[Gomez‐Perez et al, 2003]
… le statut ou la portée
– Capture une connaissance consensuelle de façon générique
[Gomez‐Perez et al, 2003]

23. ntologie
O une théorie logique donnant un compte‐rendu
explicite mais partiel d’une conceptualisation i.e.
une structure sémantique intensionnelle
encodant les règles implicites contraignant la
structure d’un morceau de réalité ; le but est de
fournir des primitives avec une sémantique
associée pour représenter des connaissances
dans un contexte identifié.
[Gruber, 1993] [Guarino & Giaretta, 1995] [Bachimont, 2000]

24. Aux grands mots les grands remèdes
paleo ontos logos
ancien être discours
une
paléontologie informatique
L’
science qui étudie les êtres et organismes vivants ayant existé
au cours des temps géologiques.
étude des propriétés générales de ce qui existe.
représentation de ces propriétés dans un formalisme
supportant un traitement rationnel

25. • conceptualisation partielle
• propriétés de catégories
• formalisation pour traitement
ontologie

26. cube(x) cube(y) cube(z)
couleur(x, bleu)
couleur(y, jaune)
couleur(z, rouge)
droite(z, y) droite(y, x)
ontologie:
o cube() couleur(,) gauche(,)
o cube(?a)⇒objet(?a)
o gauche(?a,?b)⇔droite(?b,?a)

27. base de connaissances
ontologie
système
à base de connaissances

28. ex. les étudiants ont des notes
les notes sont des réels ≤ 20 et ≥ 0

29. base de connaissances
ontologie
système
à base de connaissances

30. ex. Stéphane a une note de 15,5

31. base de connaissances
ontologie
système
à base de connaissances
règles

32. ex. si un étudiant a une note
inférieure à 8
alors il échoue l’année

33. base de connaissances
ontologie
système
à base de connaissances
règles vérification

34. ex. le nombre total de notes dans un
cours doit être égal au nombre
total d’étudiants

35. base de connaissances
ontologie
système
à base de connaissances
règles vérification explication
…

36. communication, intégration, échange
• Niveau physique
– Français et Russe, n° tel : 00 7 505 903 78
– Canal de communication
• Niveau information
– quot;c'est une bolle ce violonneuxquot; Québécois
– quot;c'est un crack ce violonistequot; Français
– quot;je te fais ton lavage comme du mondequot; Québécois
– quot;je te fais ta lessive nickel chromequot; Français
– quot;il faut que j'aille remplir la chaudièrequot; Québécois
– quot;il faut que j'aille remplir le seauquot; Français
– Syntaxe, termes, notions et relations
ontologies
• Niveau protocoles
– quot;Allo ?... Allo ? ... y'a quelqu'un ?quot;
– Protocoles d'interactions

37. familles
gigognes d’ontologies

38. couverture
dans quelle mesure les primitives mobilisées par
les scénarios sont couvertes par l’ontologie

39. spécificité dans quelle mesure
les primitives sont
précisément déclarées
dans l’ontologie

40. granularité
dans quelle mesure les primitives
sont détaillées

41. exemple granularité [Charlet ‐ RFIA 2002]
1. Patient-Masculin
Patient-Féminin
2. [Patient] → (chrc) → [Masculin]
[Patient] → (chrc) → [Féminin]
3. [Patient] → (attr) → [Sexe] → (val) → [Masculin]
[Patient] → (attr) → [Sexe] → (val) → [Féminin]

42. formalité
dans quelle mesure les
primitives sont décrites
dans un langage formel

43. deux poids & deux mesures
[Gomez‐Perez et al., 2002]
–Légères (lightweight)
types, hiérarchies, propriétés
–Lourdes (heavyweight)
idem + axiomes, contraintes, etc.

44. continuum de la formalité [Uschold et Gruninger, 1996]
• informelle
exprimée en langue naturelle.
• semi‐informelle : exprimée dans une forme
restreinte et structurée de la langue naturelle ;
• semi‐formelle : exprimée dans un langage
artificiel défini formellement;
• formelle : exprimée dans un langage artificiel
disposant d’une sémantique formelle, permettant
de prouver des propriétés de cette ontologie.

45. exemple avec la notion de
« collègue »

46. • Identification lors d'un entretien: quot;Il faut que
je diffuse ce document à mes collèguesquot;
• Demander une définition: quot;Je suis ton
collègue si on travaille dans la même équipequot;
• Dictionnaire: quot;Personne qui remplit la même
fonction ou qui fait partie d'un même
établissement qu'une autrequot;
• Vérifier par le recueil: groupe, entreprise,…

47. • Définition consensuelle: 'Collègue de Travail'
quot;Personne qui fait partie d'un même
établissement qu'une autrequot;
• Semi‐formelle: quot;Une personne A et une
personne B sont collègues de travail si et
seulement si A fait partie d'un établissement E
et B fait partie du même établissement Equot;
• Formelle: (CollegueTrv,A,B) ⇔
(∃ Etablissement E)∧
(Personne A) ∧ (Personne B) ∧
(FaitPartie, A ,E) ∧
(FaitPartie, B, E) ;

48. (Gomez-Perez et al., 2003):

49. (Gomez‐Perez et al., 2003): (Klinker et al., 1991)

50. • ontologies du domaine (réutilisables)
• ontologies applicatives
(spécifiques & non réutilisables)
• ontologies génériques ou ontologies de haut niveau
• ontologies de représentation ou méta‐ontologies
buts des ontologies [Van Heijst et al, 1997]

51. langages
et exemples de
formalisation

52. (define-class human (?human)
:def (animal ?human))
example
subsumption in frames

53. (defprimconcept MALE)
(defprimconcept FEMALE)
(disjoint MALE FEMALE)
example
disjoint classes in description logics

54. [Concept: Director]->(Def)->
[LambdaExpression:
[Person: λ] ->(Manage) -> [Group]]
example
defined class in conceptual graphs

55. (define-relation has-mother
(?child ?mother)
:iff-def
(and (has-parent ?child ?mother)
(female ?mother)))
example
define a relation in frames

56. (define-class executive (?person)
:default-constraints
(owns-tv ?person))
example
default values in ontolingua

57. (define-class Author (?author)
:def (and (person ?author)
(= (value-cardinality ?author
author.name) 1)
(value-type ?author author.name
biblio-name)
(>= (value-cardinality ?author
author.documents) 1)
(<=> (author.name ?author ?name)
(person.name ?author ?name))))
example
cardinality constraints in frames

58. [Car: ∀]->(Has)->[SteeringWheel]
example
existential knowledge in conceptual graphs

59. (define-axiom driver-consistency :=
(<=> (drive ?a ?p) (driver ?a ?p))
example
axioms in frames

60. (defrelation child
((?p Person) (?c Person))
:=> (> (age ?p) (age ?c)))
example
constraints in description logics

61. (define-function price (?car ?power ?days)
:-> ?amount
:def (and (Car ?car) (Number ?power)
(Number ?days) (Number ?amount)
(Rate ?car ?rate))
:lambda-body
(* (+ ?rate (* 0.1 ?power)) ?days))
example
functions in conceptual graphs

62. IF
?person author ?doc
?doc rdf:type PhDThesis
?doc concern ?topic
THEN
?person expertIn ?topic
?person rdf:type PhD
example
derivation rule languages

63. vers un web
sémantique

64. W3C®

65. RDF, toute connaissance est décomposée en
triplets ( sujet , prédicat , objet )
arcs ( nœud, arête , nœud )

66. ex : doc.html a pour auteur Fabien
et a pour thème la Musique

67. doc.html a pour auteur Fabien
doc.html a pour thème Musique

68. Fabien
auteur
doc.html
thème
Musique

69. ouvrir et relier des données dans un
graphe mondial

70. <RDF/> une syntaxe XML pour mieux
échanger ces graphes

71. interroger avec SPARQL
SPARQL Protocol and RDF
Query Language

72. requête SPARQL
SELECT ...
FROM ...
WHERE { ... }

73. résultat SPARQL
échec / réussite
valeurs trouvées

74. protocole SPARQL
échanger des requêtes et leurs
résultats à travers le web

75. RDFS signifie RDF Schema

76. RDFS fournit les primitives pour
écrire des ontologies légères

77. RDFS pour définir les classes de
ressources et organiser leur
hiérarchie Document
Rapport

78. RDFS pour définir les relations,
leur hiérarchie et leurs
signatures créateur
auteur
Document Personne

79. OWL fournit des primitives
supplémentaires pour des
ontologies plus lourdes

80. OWL in one… définir par…
{a,b,c,d,e} par énumération par intersection
par union par complément
≠ la disjonction
! par restriction
1..1
prop. algébriques par cardinalité
≡ par équivalence

81. thesaurus,
classifications,
sujets, taxinomies,
folksonomies, ...
vocabulaires
contrôlés

82. RIF: Interchange Format
interopérabilité PhDThesis Person
?doc
author ?person
règles du web sémantique
concern Topic
?topic
expertIn PhD
?person

83. passerelles entre le web sémantique et les
‘autres webs’: RDFa, GRDDL

84. RDFa signifie
RDF dans des attributs de HTML
<div xmlns:dc=quot;http://purl.org/dc/elements/1.1/quot;>
<h2 property=quot;dc:titlequot;>The trouble with Bob</h2>
<h3 property=quot;dc:creatorquot;>Alice</h3>
...
</div>

85. GRDDL ouvre des formats
en permettant de déclarer des mécanismes
d’extraction de RDF à partir de XML
<head profile=quot;http://www.w3.org/2003/g/data-viewquot;>
<title>The man who mistook his wife for a hat</title>
<link rel=quot;transformationquot;
href=quot;http://www.w3.org/2000/06/ dc-extract/dc-extract.xslquot; />
<meta name=quot;DC.Subjectquot; content=quot;clinical talesquot; />
…

86. bienvenue
dans un web de données

87. spécifier le sens
avec des identificateurs uniques
…

88. se lier
au monde

94. Une famille est sur la route des vacances…
Une des enfants voit un cheval par la fenêtre et c’est la première fois:
‐ « Maman regarde ! … y’a un gros chien là » dit elle.
La mère regarde et reconnaît un cheval.
‐ « Non Adeline! C’est un cheval. Tu vois c’est plus
gros. » corrige‐t‐elle.
L’enfant adapte ses catégories et prend note des
différences qu’elle perçoit ou qui lui sont
communiquées.
Quelques kilomètres plus loin elle voit un âne pour
la première fois.
‐ « Maman regarde ! Un cheval » dit elle.
La mère regarde et reconnaît un âne.
‐ « Ha Non! Là c’est un âne. C’est plus petit et gris » corrige la mère.
etc.

95. temporalité

96. cycle
vie
conception
besoin évolution diffusion
gestion
évaluer utilisation

97. scenarios motivants, questions
de compétences
besoins
conception
besoins évolution diffusion
gestion
évaluation utilisation

98. conception acquisition de
connaissances, traitement du langage
naturel, formalismes, analyse formelle
de concepts, méthodologies & représentations
intermédiaires
conception
besoins évolution diffusion
gestion
évaluation utilisation

99. diffusion identifier, publier, annoncer,
web, pair‐à‐pair a, standards & normes
conception
besoins évolution diffusion
gestion
évaluation utilisation

100. utiliser applications quotidiennes, tâches
routinières (trouver, veiller, combiner, analyser,
réutiliser, suggérer etc.), inférences, interfaces.
conception
besoins évolution diffusion
gestion
évaluation utilisation

101. évaluer c.f. besoins + traces et analyse
des usages, métriques, dimension collective
et consensus
conception
besoins évolution diffusion
gestion
évaluation utilisation

102. évolution
c.f. conception + version, alignement, cohérence
vérification et dépendances
conception
besoins évolution diffusion
gestion
évaluation utilisation

103. gérer comme tout projet logiciel,
méthodes complètes
conception
besoins évolution diffusion
gestion
évaluation utilisation

104. quelques
messages

105. vous êtes ici
des dizaines de milliards
de triplets en ligne, RDF a pris son envol (e.g. http://sindice.com/ )

106. pour ne pas avoir à extraire, fouiller, etc.

107. ouvrez vos données
à ceux qui pourraient les utiliser

108. bornes interactives
pour l’aide au repérage des espèces présentées
dans un musée de sciences naturelles.
poissons insectes
animaux chat
baleine cigale
crocodile kiwi
truite araignée
chien

109. animal
insecte arachnéen mammifère reptile poisson oiseau
cigale araignée crocodile truite kiwi
chat chien baleine

110. le piège du domaine
le domaine d’application n’est pas
forcément celui de l’ontologie

111. je n’ai jamais vu une ontologie
universelle

113. méthodes
ex. rigidité dans Onto Clean [Guarino & Welty]
Rigid φ+R φ is a necessary property for all its instances
Anti-Rigid φ~R φ is an optional property for all its instances
Constraint: φ~R can't subsume ψ+R
Person is ψ+R, Student is φ~R

114. connaissance
holistique
mais ontologies finies

115. acquisition & évolution
goulet d’étranglement

116. brique de construction
vs.
modèle changeant

117. à base d’ontologie
ne signifie pas que l’on
a besoin d’un moteur
d’inférence.

118. SSRSSLSSS
SS
bug mondial
( c.f. Gérard Berry)

119. web”
“semantic
and not
[C. Welty, ISWC 2007]
“semantic web”

120. facteur d’échelle
coût & intérêt

121. a lightweight ontology
allows us to do lightweight
reasoning
[J. Hendler, ISWC 2007]

122. ma montre n'a qu'une aiguille
mais elle n'est pas cassée.
de l'intérêt d'un à peu près

123. Informatique
Réseau Programmation
Sans‐fil Ethernet
Bluetooth Wifi
espace métrique
distance d’approximation

124. impossible
de prédire tous
les usages

125. éviter de construire une
boite noire

126. rendre les conceptualisations
explicites