Les Systèmes de Gestion de Bases de Données relationnelles (SGBDR) sont devenus, sans conteste, le noyau de tout système informatique. Cependant, la diversification des applications des bases de données a montré les limites des SGBDR notamment sur le plan de modélisation des données imprécises et de l’interrogation flexible (BEN HASSINE M. , 2005).

Les systèmes de gestion de base de données relationnelle (SGBDR) commerciaux reposent essentiellement sur un langage booléen d’interrogation, à savoir Structured Query Language (SQL). L’interprétation d’une requête floue sur un SGBDR nécessite donc soit une étape de dérivation afin d’être transformée en requête booléenne soit l’utilisation d’une extension dédiée aux requêtes floues (SMITS, PIVERT, & GIRAULT, 2006).

C’est dans cette perspective que nous menons notre étude autour du sujet intitulé : «Implémentation d’un système d’interrogation floue intégré à un gestionnaire de base de données relationnelle (PostgreSql) cas de (l’agence automobile RHM_Unit Business) ».

Plusieurs raisons nous poussent à élaborer ce travail avec une thématique complexe et ce choix ne repose pas sur le hasard, il est plutôt soutenu par des raisons valables que nous classons à 3 niveaux :

– Notre choix se justifie par notre esprit de curiosité sur la logique floue et ses applications, défendre notre formation en tant que informaticien et aussi approfondir la notion sur la logique floue appliquée aux bases de données.

– Par ce travail, nous voulons appuyer, amplifier la position des scientifiques qui estiment les BDR présentent des limites par rapport aux demandes et requêtes des utilisateurs finaux qui n’obtiennent généralement pas satisfaction.

– Nous sommes par ailleurs convaincus que tous les domaines d’activité reposent sur des systèmes d’information, qui ne sont rien d’autres que des ensembles organisés qui permettent de collecter, stocker, traiter et diffuser l’information. Il s’agit d’une application des notions liées aux bases de données floues dans le domaine de la vente ou de la location des véhicules.

Plusieurs travaux ont été proposés dans la littérature pour introduire la flexibilité dans l’interrogation des bases de données. La majorité de ces travaux ont utilisé le formalisme des ensembles flous et de la logique floue pour modéliser les termes linguistiques tels que (« modéré », « moyen ») et pour évaluer des prédicats comportant de tels termes. L’idée essentielle dans ces travaux consiste à étendre le langage SQL et à ajouter une couche supplémentaire d’un SGBD classique pour évaluer les prédicats flous. Parmi ces travaux, nous citons :

a. MOHAMED ALI BEN HASSINE: dans son ouvrage, il affirme que pour stocker de grandes quantités de données, les bases de données ont des mécanismes incorporés seulement pour des relations exactes. Comme la technologie est appliquée pour atteindre des domaines très variés, qui supportent des données vagues, imprécises et/ou des préférences dans les attributs, parfois les relations usuelles de SQL ne peuvent pas complètement satisfaire ou modéliser les relations et les attributs de ces domaines. L’interrogation flexible constitue alors une alternative à l’interrogation booléenne pour certains types d’applications (BEN HASSINE, Contribution à l’implémentation d’une base de données floue sous un système de gestion de base de données rélationnel, 2005).

b. GREGORY SMITS, OLIVIER PIVERT ET THOMAS GIRAULT: dans leur article, ils confirment que Les ensembles flous constituent un cadre théorique et méthodologique intéressant pour l’interrogation flexible de Base de Données Relationnelles (BDR).

En effet, associé à une fonction d’appartenance et une étiquette linguistique, un ensemble flou formalise une propriété graduelle pouvant être ensuite intégrée en tant que préférence dans une requête adressée à une BDR. En ce sens, les requêtes floues étendent les requêtes booléennes à travers la prise en compte de tolérance et de gradualité dans la définition des intentions des utilisateurs. La logique floue apporte également un riche ensemble de connecteurs permettant de combiner ces préférences de manière compensatoire ou non. Un langage d’interrogation nommé SQLf a ainsi été proposé pour exploiter l’expressivité des requêtes floues (SMITS, PIVERT, & GIRAULT, 2010).

c. BARTEL SAMUEL : à son tour, affirme que chaque utilisateur possède son propre contexte flou où chaque terme défini est associé à un attribut et à une base précis et donc, nous pouvons dire que l’utilisation de termes flous est plus souple et plus proche du raisonnement humain: on ne cherche plus à savoir si des éléments satisfont ou pas une condition, mais à quel degré ils la satisfont. Nous allons maintenant voir comment modéliser un terme flou (BARTEL, 2006).

d. ANNE LAURENT : Quant à lui, il estime que les données issues du monde réel sont souvent entachées d’imperfection et les requêtes que les utilisateurs souhaitent poser ont souvent des formulations vagues. La théorie des sous-ensembles flous permet d’améliorer les systèmes d’information, notamment pour l’interprétation qualitative de données quantitatives (numériques). Les informations présentées à l’utilisateur (sous forme de règles par exemple) sont plus compréhensibles et se généralisent mieux (ANNE, 2002).

Plusieurs extensions du modèle relationnel et du langage SQL ont été proposées pour introduire une certaine incertitude dans la modélisation des données et une certaine flexibilité dans l’interrogation des BD (BEN HASSINE, Contribution à l’implémentation d’une base de données floue sous un système de gestion de base de données rélationnel, 2005).

Les prérequis
Aborder les bases de données floues sans une connaissance préalable sur la logique floue, sur la théorie des ensembles flous, sur les types d’information de la dite base de données est une aberration, raison pour laquelle nous présentons ici les notions requises qui nous serviront de base dans le troisième chapitre dédié à la construction de la solution.

La logique floue
Les connaissances dont disposent les humains sur le monde ne sont presque jamais parfaites. Ces imperfections peuvent être distinguées en deux classes :
– Incertitudes pour désigner les connaissances dont la validité est sujette à question. Par exemple, si nous savons qu’une personne s’est cognée la tête sur le plafond, nous devinons qu’il est probable qu’elle soit très grande.
– Imprécisions pour désigner les connaissances qui ne sont pas perçues ou définies nettement. Par exemple, au lieu de dire qu’une personne mesure 2 mètres et 3 centimètres, nous disons usuellement que cette personne est très grande. Comment faire en sorte d’exprimer ces imprécisions et ces incertitudes en termes logiques ?

En logique classique, une proposition est vraie ou fausse. Exemple : C’est personne est grande. Vrai ou faux ? (pas flexible) En logique multivaluée, une proposition peut avoir plusieurs valeurs. Exemple (ternaire) : Cette personne est grande. Vrai, à moitié vrai ou faux ? (un peu plus flexible) En logique floue, une proposition peut avoir autant de valeurs que l’on veut. Exemple : Cette personne est grande. C’est vrai à 30% (flexible) (DERNONCOURT, introduction à la logique floue appliquée aux systèmes décisionnels, 2011). La logique floue est une extension de la logique classique qui permet la modélisation des imperfections des données et se rapproche dans une certaine mesure de la flexibilité du raisonnement humain (DERNONCOURT, introduction à la logique floue, 2012). La logique floue est une théorie qui, appliquée dans un calculateur, permet de gouverner une régulation, comme le ferait manuellement un opérateur expert (BENJAMIN, XAVIER, & FLORENT, 2001). Exemple : quelle sera la décision du montant du pourboire à l’issue d’un repas au restaurant, en fonction de la qualité du service ressentie ainsi que de la qualité de la nourriture (exemple souvent utilisé pour introduire à la logique floue). La logique floue, ou plus généralement le traitement des incertitudes, a pour objet d’étude la représentation des connaissances imprécises et le raisonnement approché. On peut donc la situer à côté des heuristiques de résolutions de problèmes, des systèmes experts, de l’apprentissage, de l’intelligence artificielle distribuée et même du traitement de la langue naturelle, domaines qui composent les techniques d’intelligence artificielle au sein des sciences cognitives.

Dans les problèmes de prise de décision, d’aide au diagnostic et plus généralement dans tous les systèmes à base de connaissances, on souhaite, à partir d’observations, parvenir à une conclusion qui peut être la détermination d’un objet ou une action à prendre. Or lors du fonctionnement de ces systèmes, interviennent des connaissances mal définies, mal décrites et imparfaitement connues, puis au niveau des règles d’inférence, intervient un traitement imparfait et incomplet du déroulement de la déduction, enfin survient le problème du traitement des contradictions et de la fusion (agrégation) de données voisines. Tous les problèmes concrets sont, en fait, confrontés aux notions d’incertitude et d’imprécision. Ces deux notions sont habituellement mêlées et c’est essentiellement l’observation statistique qui induisait, jusqu’à présent dans la pratique, la mesure probabiliste des incertitudes (GACOGNE, 2003).

La logique floue est une extension de la logique booléenne créée par Lotfi ZADEH en 1965 en se basant sur sa théorie mathématique des ensembles flous, qui est une généralisation de la théorie des ensembles classiques. En introduisant la notion de degré dans la vérification d’une condition, nous permettons à une condition d’être dans un autre état que vrai ou faux. La logique floue confère ainsi une flexibilité très appréciable aux raisonnements qui l’utilisent, ce qui rend possible la prise en compte des imprécisions et des incertitudes. Un des intérêts de la logique floue pour formaliser le raisonnement humain est que les règles sont énoncées en langage naturel. Un système complet de règles basées sur la logique floue et permettant de prendre des décisions est appelé un système d’inférence flou (DERNONCOURT, introduction à la logique floue, 2012).