Abstract FR:

Le traitement de la connaissance imprécise occupe une place centrale dans les recherches en Intelligence Artificielle. Parmi les approches proposées, on peut faire ressortir deux grandes catégories principales : 1. Celles numériques se basant sur la théorie des ensembles flous et la logique floue, 2. Celles symboliques dédiées au traitement de l'imprécision de nature qualitative. Ces approches se basent sur la théorie des multi-ensembles et des logiques symboliques multivalentes. Dans cette thèse, nous présentons une approche qualitative purement symbolique de représentation et d'exploitation des connaissances imprécises du langage naturel. Cette approche est construite sur le substrat d'une logique symbolique multivalente proposée par Pacholczyk. Dans un premier temps, nous proposons une modélisation multi-ensembliste pour les termes imprécis du langage. Dans cette modélisation, nous associons à chaque terme imprécis une " réglette " dont la géométrie représente le caractère imprécis et graduel de ce terme. La description de cette " réglette " est fournie par un expert dans un langage déclaratif et purement symbolique. En nous basant sur la nouvelle modélisation, nous définissons des modificateurs linguistiques (notamment les modificateurs de précision et ceux de translation) dans un contexte multi-ensembliste. Ensuite, nous proposons de nouvelles règles de Modus Ponens généralisé enrichissant ainsi le système d'exploitation symbolique de connaissances imprécises proposé par Pacholczyk. Dans ces généralisations, nous utilisons une relation de similarité multi-ensembliste et une relation de proximité. La première est une relation réflexive, symétrique et " faiblement transitive ". La deuxième est une relation réflexive et " faiblement transitive "