Abstract FR:

Cette thèse se situe à la frontière de deux domaines de la recherche en Intelligence Artificielle: Validation, Vérification et Test de Systèmes à Bases de Connaissances et Diagnostic à Bases de Modèles. Les techniques développées dans le domaine du Diagnostic à Bases de Modèles sont utilisées pour la caractérisation des causes possibles de l'incohérence d'une base de règles et pour sa réparation. Pour vérifier la cohérence de Bases de Connaissances (BC), nous proposons dans notre thèse d'intégrer les approches traditionnelles que sont la Vérification et le Test et nous montrons que cette intégration contribue à une meilleure détection d'incohérences. Pour caractériser les causes possibles de l'incohérence d'une base de règles, nous proposons des extensions à la théorie du diagnostic de Reiter utilisée pour trouver les causes possibles de panne de systèmes physiques. Par suite nous avons adapté les algorithmes existant dans le domaine du diagnostic pour calculer de telles causes. Nous proposons une approche qui permet de caractériser des ensembles d'actions de réparation permettant de restaurer globalement la cohérence de la base de règles. Cette approche utilise un ensemble de jeux de test. Son originalité réside dans le fait que même les incohérences décelées au niveau du processus Vérification peuvent être aussi corrigées en proposant des modifications au sein même de certaines règles. L'étude que nous avons menée nous a conduit à réaliser le système KBDR qui intègre Test et Vérification pour détecter les incohérences d'une base de règles. Si des incohérences sont décelées, KBDR peut fournir à l'expert les causes possibles de l'incohérence de la base de règles à savoir les diagnostics. Si des jeux de test sont disponibles, KBDR peut aussi proposer à l'expert des ensembles d'actions de réparation partiellement ordonnés permettant de restaurer la cohérence de la base.