Apprendre des règles lisibles à partir d'exemples

Contrôle des commandes : quelles commandes vérifier ?

Le service client a marqué quatre commandes qui méritaient une vérification et cinq qui n'en méritaient pas. On cherche la règle qui les sépare, à partir de quatre signaux.

[kb set "cmd_verif"]
[facts "cmd_verif"
  "montant_eleve(c1)." "nouveau_client(c1)."
  "montant_eleve(c2)." "nouveau_client(c2)." "carte_etrangere(c2)."
  "carte_etrangere(c3)." "adresse_differente(c3)."
  "carte_etrangere(c4)." "adresse_differente(c4)." "montant_eleve(c4)."
  "montant_eleve(c5)." "nouveau_client(c6)." "carte_etrangere(c7)."
  "adresse_differente(c8)." "nouveau_client(c8)."
  "montant_eleve(c9)." "adresse_differente(c9)."]
$biais = [ilp:bias [JSON '{
  "target": "a_verifier/1",
  "predicates": [
    {"name": "a_verifier",         "modes": ["+commande"], "role": "head", "is_bk": false},
    {"name": "montant_eleve",      "modes": ["+commande"]},
    {"name": "nouveau_client",     "modes": ["+commande"]},
    {"name": "carte_etrangere",    "modes": ["+commande"]},
    {"name": "adresse_differente", "modes": ["+commande"]}],
  "types": {"commande": "symbolic"}, "max_body": 2, "max_clauses": 3}']]
$positifs = [JSON '[["c1"], ["c2"], ["c3"], ["c4"]]']
$negatifs = [JSON '[["c5"], ["c6"], ["c7"], ["c8"], ["c9"]]']
$regle = [ilp:learn $biais "a_verifier" $positifs $negatifs [JSON '[]'] [JSON '{"beam_width": 128, "seed": 7}'] "cmd_verif"]
$regle.program

Résultat obtenu sur le serveur : deux règles, « nouveau client et montant élevé » ou « carte étrangère et adresse de livraison différente », qui couvrent les quatre cas à vérifier et aucun des cinq autres.

Déployer la règle apprise

La règle apprise est un programme logique testé. Elle s'ajoute telle quelle à une base de production et s'applique aux nouvelles commandes.

[kb set "cmd_prod"]
[facts "cmd_prod" "montant_eleve(c42)." "nouveau_client(c42)." "carte_etrangere(c43)."]
[for $clause $regle.program [[rules "cmd_prod" $clause]]]
[query VVL "cmd_prod" "a_verifier(c42)?"]      # oui : nouveau client, montant élevé
[query VVL "cmd_prod" "a_verifier(c43)?"]      # non : carte étrangère seule

Résultat obtenu sur le serveur : la commande c42 est à vérifier, la commande c43 ne l'est pas.

Ressources humaines : qui est senior ?

Les responsables savent désigner les profils seniors. L'apprentissage retrouve le critère : expérimenté et certifié. Hugo, certifié mais sans expérience, et Carol, expérimentée mais sans certification, obligent la règle à combiner les deux.

[kb set "rh_senior"]
[facts "rh_senior"
  "experimente(alice)." "experimente(carol)." "experimente(eve)." "experimente(grace)."
  "certifie(alice)." "certifie(eve)." "certifie(grace)." "certifie(hugo)."]
$biais = [ilp:bias [JSON '{
  "target": "senior/1",
  "predicates": [
    {"name": "senior",      "modes": ["+personne"], "role": "head", "is_bk": false},
    {"name": "experimente", "modes": ["+personne"]},
    {"name": "certifie",    "modes": ["+personne"]}],
  "types": {"personne": "symbolic"}, "max_body": 2, "max_clauses": 2}']]
$r = [ilp:learn $biais "senior" [JSON '[["alice"], ["eve"], ["grace"]]']
                [JSON '[["carol"], ["hugo"], ["bob"], ["dave"]]']
                [JSON '[]'] [JSON '{"beam_width": 128, "seed": 7}'] "rh_senior"]
[ilp:explain $r]

Résultat obtenu sur le serveur : senior(X) si certifie(X) et experimente(X), couverture de 3 sur 3, statut testé.

Auditer une règle existante

Une règle rédigée à la main peut être confrontée aux exemples étiquetés avant d'être mise en service : combien de bons cas elle couvre, et si elle en attrape de mauvais.

$clause = [JSON '["a_verifier(C) :- montant_eleve(C)."]']
[ilp:test $clause "a_verifier" $positifs $negatifs [JSON '[]'] "cmd_verif"]
# { n_pos, covered_pos, covered_neg, complete, consistent }

Résultat obtenu sur le serveur : la règle « montant élevé » couvre 3 des 4 commandes à vérifier mais signale aussi 2 commandes saines ; elle n'est ni complète ni cohérente.

Guider l'apprentissage par une description

Lorsque les prédicats utiles ne sont pas évidents, une description en langage naturel peut orienter la recherche. Le modèle de langage propose des pistes, et le programme retenu reste testé contre les exemples.

$r = [ilp:induce
  "A grandparent is two generations of parent. Use parent/2, male/1, female/1."
  "grandparent" 2
  $pos $neg
  [JSON '{"n_seeds": 5, "max_body": 3, "beam_width": 128, "seed": 42}']
  "ilp_llm_bootstrap"]