Modèle de Gestion des Risques Informationnels en Système d'Intelligence Economique

La subjectivité des estimations et des perceptions, la complexité de l’environnement, l’interaction entre sous-systèmes, le manque de données précises, les données manquantes, une faible capacité de traitement de l’information, et l’ambiguïté du langage naturel représentent les principales formes d’incertitude auxquelles les décideurs doivent faire face lorsqu’ils prennent des décisions stratégiques à l’aide de systèmes d’intelligence économique. Cette étude utilise un paradigme de « soft computing » pour identifier et analyser l’incertitude, que nous associons à la notion de facteurs de risque d’information. Pour cela, nous proposons un modèle de rapprochement exploitant des ontologies, ainsi qu’un modèle baptisé « FuzzyWatch » fondé sur la logique floue. Nous avons modélisé le processus de prise de décision depuis la définition du problème jusqu’à la réponse à la question : « est-il raisonnable de décider ? ». Un diagramme causal d’Ishikawa permet de prendre en compte les facteurs intangibles dans cette approche. Le cadre de référence du rapprochement de connaissances a été prévu pour faciliter le partage et la réutilisation de connaissances entre les utilisateurs et la machine. En complément, les facteurs intangibles, les émotions, les ambiguïtés du langage naturel sont pris en compte à l’aide de fonctions d’appartenance floues. Les outils de la logique floue ont été également utilisés au niveau des ontologies (« FuzzOntology »). Au niveau du processus de recherche d’information, l’introduction d’une fonction de mise en correspondance floue, appelée « FuzzyMatch », améliore le taux de rappel et subséquemment le processus d’intelligence économique. Le modèle « Fuzzontologique » autorise une prise en compte flexible de facteurs intangibles et incertains, offrant ainsi un moyen de traiter l’ambiguïté du langage naturel. FuzzyMatch permet de réduire les problèmes de données manquantes. A l’aide de ces modèles, le processus de décision en intelligence économique bénéficie d’une réduction des risques liés à l’information lors du processus de recherche.Subjective estimation and perception, complexity of the environment under study, interaction amongst subsystems, lack of precise data, missing data, limited information processing capacity and ambiguity in natural languages are major forms of uncertainty facing Decision Makers in the process of delivering strategic decisions in economic intelligent systems. This study employs soft computing paradigm to capture and analyze uncertainty based on information risk factors via our proposed knowledge reconciliation model based on ontology and the FuzzyWatch model. We modeled the process of decision making from the point of problem definition to decision delivery (translation credibility) and include intangible factors with the fish-bone architecture. Ontological framework for Knowledge Reconciliation was developed to facilitate knowledge sharing and reuse among both human and computer agents while intangible factors, emotions and ambiguities in natural languages were captured with fuzzy membership function. We extended this operation with fuzzy that is – what ontology captures is interpreted by fuzzy techniques (FuzzOntology). The fuzzy match relation for information retrieval tagged “FuzzyWatch” improves the information search result thus reducing the risk of missing data which is of grave consequence in Economic Intelligence process. FuzzOntological model facilitates a flexible means of capturing intangible and uncertain factors as a means of resolving the ambiguity in natural languages. FuzzyWatch assists in reducing missing data problems. Future decisional process will contend with lesser information retrieval risks in Economic Intelligence process using this model