offres d'emploi formations actualités contact accès annuaire intranet
Séminaires >

Vers une approche probabiliste pour la gestion du changement dans le système d’information

Mme Chahira Cherif
Laboratoire RIIR "Laboratoire de Recherche Informatique Industrielle et Réseaux"
Université Oran1 AHMED Ben Bella, Oran, Algérie

jeudi 21 novembre 2019 à 13h30

B014


Le concept de processus métiers joue un rôle majeur dans le domaine des systèmes d’information. Cependant, ces processus métiers doivent être en constante évolution afin de permettre aux entreprises de répondre aux demandes du marché et aux réflexions des besoins de leurs différents interlocuteurs, et par conséquent de créer ou de maintenir leur avantage concurrentiel. Le BPM signifie la gestion des processus métiers. Il s’agit d’une méthodologie apparue dans les années 1980 qui a pour objectif d’identifier, d’analyser et de gérer les différents processus présents dans une entreprise ou une organisation. D’abord utilisée en version papier, l’OMG (Object Management Group) a ensuite développé une norme d’écriture appelée BPMN 2.0. Cette norme a pour but de standardiser l’écriture des processus d’entreprise, en vue de les intégrer dans des logiciels BPM type moteur de workflow, et résout également les bien connues incohérences et les ambiguïtés de BPMN 1.2. Ces modifications ont posé des problèmes aux entreprises qui utilisent les versions antérieurs car un petit changement peut avoir des effets considérables et inattendus sur le reste des éléments du système. Ce genre de problèmes nous a conduit à proposer une approche qui peut être utile de mieux évaluer le volume d’impact résultant du changement prévu, et de permettre au mainteneurs d’évaluer différents scénarios de changement sans avoir modifier le code source. Tout d’abord nous analysons les processus métiers d’une entreprise à partir des dépendances de ces activités, données et rôles des acteurs et de les stocker sous format matricielle. Cette analyse est ensuite étendue sur plusieurs versions. Puis, nous créons une base d’apprentissage à l’aide des matrices de dépendances des différentes versions pour effectuer une inférence statistique, comme par exemple l’utilisation des réseaux bayésien.