/system/images/000/000/170/En-tete_default.png/system/images/000/000/169/Poly_default.png

CIGI2011

St-Sauveur, Québec, 11 — 14 octobre 2011

Horaire Auteurs Mon horaire
Cal add eabad1550a3cf3ed9646c36511a21a854fcb401e3247c61aefa77286b00fe402

JE3 Session spéciale : Dynamique des connaissances et compétences (3)

13 oct. 2011 10h20 – 12h00

Salle: Edelweiss B

Présidée par Michel Tollenaere

4 présentations

  • Cal add eabad1550a3cf3ed9646c36511a21a854fcb401e3247c61aefa77286b00fe402
    10h20 - 10h45

    Réutilisation de l'analyse effectuée en résolution de problèmes industriels

    • Hicham Jabrouni, Alstom Transport
    • Bernard Kamsu-Foguem, ENIT
    • Laurent Geneste, prés., Université de Toulouse
    • Christophe Vaysse, Alstom Transport

    Tenir compte du retour d’expérience sur la résolution des problèmes complexes rencontrés en entreprise est un moyen d’améliorer la qualité des produits et des processus. Pourtant, peu de travaux académiques s’intéressent à la représentation et à l’instrumentation des systèmes de retour d’expérience. Nous proposons dans cette communication un modèle de représentation d’expériences ainsi que des mécanismes destinés à réutiliser ces expériences. Plus spécifiquement, nous souhaitons favoriser la réutilisation des analyses expertes déjà réalisées afin de proposer des pistes d’analyse a priori lors de la résolution d’un nouveau problème. La proposition est basée sur une représentation du contexte de l’expérience à l’aide de marqueur conceptuels et sur une représentation de l’analyse intégrant explicitement l’avis des experts et la fusion de ces avis.

  • Cal add eabad1550a3cf3ed9646c36511a21a854fcb401e3247c61aefa77286b00fe402
    10h45 - 11h10

    L’intégration des aspects cognitifs au retour d’expérience statistique dans la résolution de problèmes industriels

    • Kouami Seli Apedome, prés., Université Paris 8
    • Méziane Bennour, Université Paris 8
    • Sid-Ali Addouche, Université Paris 8
    • Abderrahman El Mhamedi, Université Paris 8

    Le retour d’expérience est une démarche qui permet à partir de l’étude d’un évènement, l’identification des dysfonctionnements techniques, humains, et organisationnels ainsi que les actions positives effectuées. Il valorise l’individu et assure une capitalisation et un partage des connaissances. Dans cet article notre contribution réside dans l’usage des réseaux Bayésiens (RB) pour formaliser les expériences. Les réseaux Bayésiens offrent la possibilité de rassembler et de fusionner des connaissances de diverses natures dans un même modèle. Nous utilisons ce formalisme pour intégrer le retour d’expérience cognitif au retour d’expérience statistique dans une démarche de résolution de problème industriel.

  • Cal add eabad1550a3cf3ed9646c36511a21a854fcb401e3247c61aefa77286b00fe402
    11h10 - 11h35

    SemKnow, une architecture basée sur les Web Services Sémantiques pour la gestion des connaissances multi-sources lors des projets de développement de produit

    • Davy Monticolo, prés., INP Lorraine
    • Inaya Lahoud, UTBM, M3M
    • Mauricio Camargo, INP Lorraine
    • Laure Morel, INP Loraine

    Lors du développement de produits industriels, les équipes projet sont constituées d’experts métier travaillant
    de manière collaborative dès les phases de recueil de besoins jusqu’à la production en série. Ces experts ont des domaines
    de connaissances différents et par conséquent utilisent des outils métier différents. Chaque outil métier produit des
    données et informations utiles au projet. Ces informations multi-sources doivent être gérées afin d’assurer la sauvegarde
    des savoirs et savoirs-faires des équipes projets. Nous proposons dans cet article une architecture logicielle facilitant la
    formalisation des connaissances de chaque domaine métier, la connexion aux différents outils métier afin d’assurer
    l’extraction des informations pertinentes et l’exploitation des connaissances capitalisées sous la forme de mémoires de
    projet. Pour se faire nous détaillons notre approche basée sur l’utilisation de web services sémantiques pour assurer la
    connexion aux outils métier et l’extraction des connaissances, la structuration des bases de connaissances en ontologies et
    la représentation des connaissances sous la forme de mémoires de projet web.

  • Cal add eabad1550a3cf3ed9646c36511a21a854fcb401e3247c61aefa77286b00fe402
    11h35 - 12h00

    Vers une ingénierie hautement productive basée sur des méthodes et outils d’extraction de connaissances

    • Mathieu Lebouteiller, prés., M3M, UTBM
    • Nadhir Lebaal, UTBM - M3M
    • Inaya Lahoud, UTBM, M3M
    • Samuel Gomes, Université de Technologie de Belfort-Montbéliard

    Ce papier présente une méthodologie d’extraction de la connaissance embarquée dans les modèles 3D CAO
    (Conception Assistée par Ordinateur), basée sur des outils existants dans le commerce de recherche de similarité 3D ainsi
    que sur des algorithmes de recherche de similarité entre les paramètres de conception.
    La gestion des connaissances est au coeur du lean engineering. Dans notre méthodologie, elle est déployée sous la forme
    d’une méthodologie baptisée KEM-KAD (Knowledge Extraction Methodology based on Knowledge Aided Design files )
    s’appuyant sur deux approches nommées Knowledge Configuration Management (KCM) et Knowledge Extraction
    Assistant (KEA).
    L’approche KCM permet une approche très analytique de la gestion de la connaissance. Elle requière une approche très
    intégré, incluant par exemple l’utilisation de modèles géométriques paramétrés. Cependant cette approche ne peut pas
    être déployée dans tous les bureaux d’études d’une entreprise multi-sites.
    Notre méthodologie a pour but d’extraire le savoir-faire embarqué dans les définitions géométriques 3D dans les cas où les
    modèles CAO ne dispose d’aucune traçabilité en termes de connaissances métier, c'est-à-dire, n’embarquent aucune règle
    d’ingénierie et n’ont pas été générés par des outils de type Knowledge Based Engineering (KBE). Pour ces situations nous
    proposons de compléter cette approche à travers une approche globale, centrée sur les définitions 3D des produits. Cette
    approche utilise des outils de type Knowledge Extraction Assistant (KEA).
    En déployant cette méthodologie, nous pouvons mieux déployer une démarche de capitalisation des connaissances et des
    savoir-faire produit-process à des fins d’amélioration de la productivité et de la qualité des processus routiniers de
    conception.

Retour