Le moteur d'inférence

Un technicien de maintenance chevronné diagnostique une panne en suivant, sans même y penser, une longue série de règles apprises au fil de son expérience : si tel voyant est allumé et telle mesure dépasse tel seuil, alors telle pièce est probablement en cause.

Un moteur d'inférence reproduit ce type de raisonnement, en appliquant automatiquement des règles écrites explicitement par un expert.

Le principe général

Contrairement au machine learning, un moteur d'inférence ne devine rien à partir de données : il applique strictement des règles logiques, écrites au préalable par un ou plusieurs experts du domaine concerné.

Ces règles prennent généralement la forme si condition alors conclusion, organisées dans une base de règles.

La base de règles, cœur du système

Une base de règles rassemble l'ensemble des connaissances expertes formalisées sous forme de conditions et de conclusions.

Règle	Condition	Conclusion
1	Voyant batterie allumé ET tension mesurée inférieure à 11 V	Batterie déchargée
2	Voyant moteur allumé ET température supérieure à 100 degrés	Surchauffe moteur
3	Aucun voyant allumé ET véhicule ne démarre pas	Vérifier le circuit de démarrage

Le moteur d'inférence parcourt cette base et sélectionne la ou les règles dont les conditions sont satisfaites pour le cas présenté.

Le fonctionnement d'un moteur d'inférence

Recevoir les faits observés en entrée, comme l'état des voyants et les mesures effectuées.
Confronter ces faits aux conditions de chaque règle de la base.
Déclencher la ou les règles dont toutes les conditions sont vérifiées.
Restituer la conclusion associée comme diagnostic ou décision.

Avantages et limites face au machine learning

Un moteur d'inférence a l'avantage d'être totalement explicable : chaque conclusion peut être justifiée par la règle exacte qui l'a déclenchée, ce qui n'est pas toujours le cas d'un modèle de machine learning.

En revanche, il ne fonctionne que sur les situations couvertes par les règles écrites. Une situation non anticipée par l'expert ne produira aucune conclusion, alors qu'un modèle de machine learning peut proposer une réponse approximative même sur un cas nouveau.

Exemple de référence

De nombreux systèmes de diagnostic industriel utilisés en maintenance préventive reposent sur des moteurs d'inférence, dont la base de règles est construite avec les techniciens experts du matériel concerné, puis mise à jour au fil des nouvelles pannes rencontrées.

L'essentiel

Un moteur d'inférence applique automatiquement des règles écrites explicitement par un expert, rassemblées dans une base de règles.
Fonctionnement : recevoir des faits, les confronter aux règles, déclencher les règles vérifiées, restituer la conclusion.
Avantage majeur : chaque conclusion est explicable par la règle qui l'a déclenchée.
Limite majeure : aucune conclusion sur une situation non couverte par la base de règles.

Traitement de l'information dans un drone de diagnostic agricole