Pour produire les résultats attendus, l’IA a besoin de plus que de simples données. Elle a également besoin de sens, de contexte, de relations, de règles métier et de connaissances fiables.
Cela suscite un intérêt croissant pour les ontologies, les knowledge graphs et les couches sémantiques. Jusqu’ici, tout va bien, mais ces technologies fonctionnent mieux lorsqu’elles reposent sur une compréhension claire des connaissances dont votre entreprise a réellement besoin. Pour construire une ontologie, vous devez comprendre quelles sont les connaissances les plus importantes. Et un knowledge graph est particulièrement utile lorsque vous savez quels concepts, décisions, règles et exceptions il doit représenter.
En d’autres termes, vous devez d’abord maîtriser les fondamentaux. Et pour identifier, capturer, hiérarchiser et gouverner les connaissances de manière cohérente et reproductible, vous avez besoin d’un modèle opérationnel de la connaissance.
Fournissez à l’IA les bonnes connaissances, pas toutes les connaissances
Les connaissances de l’entreprise sont dispersées dans les bases de données, les systèmes opérationnels, les applications, les tableaux de bord, les documents, les politiques, les procédures, les vidéos, les comptes rendus de réunion, les canaux collaboratifs et, surtout, le savoir-faire de vos collaborateurs. Elles peuvent être précises et précieuses, mais aussi obsolètes ou contradictoires.
Cependant, permettre à l’IA de les interpréter nécessite bien plus que de collecter des documents, d’interroger des experts, de connecter des systèmes, puis de tout charger dans un référentiel. L’IA doit savoir à quelles sources se fier, quelles règles s’appliquent et comment les concepts sont liés les uns aux autres.
Une approche plus pertinente consiste donc à créer un modèle de criticité des connaissances qui évalue chaque source en fonction de sa valeur, de son coût d’accès, de son niveau de risque et de sa volatilité. Par exemple, un document de politique déterminant la conformité réglementaire sera probablement plus critique qu’une description générique d’un processus. De même, un indicateur figurant dans un tableau de bord n’est utile que si sa définition et son lignage sont clairement établis.
Commencez par déterminer ce qui compte le plus :
- Sur quel domaine métier ou cas d’usage devez-vous vous concentrer ?
- Quelles décisions, quels workflows ou quels résultats cherchez-vous à améliorer ?
- Quelles sources de connaissances sont les plus importantes pour ces résultats ? Sont-elles fiables, accessibles et correctement gouvernées ?
L’objectif est d’identifier les connaissances les plus pertinentes, fiables et réutilisables pour atteindre un résultat métier spécifique. À partir de là, apprenez rapidement et concevez dès le départ dans une logique de passage à l’échelle.
Connectez les workflows, les données et les décisions
De nombreuses initiatives d’IA partent du principe que le workflow sous-jacent est déjà bien compris. En réalité, ce n’est souvent pas le cas. Les processus peuvent n’être que partiellement documentés et les connaissances critiques n’exister que dans l’esprit des collaborateurs. Différentes équipes peuvent même utiliser des termes différents pour désigner un même concept métier.
Rendre les connaissances réutilisables et gouvernables implique de relier trois perspectives complémentaires :
1. La perspective des workflows, des données et des systèmes : elle couvre les activités, les rôles, les systèmes, les actifs de données, les documents, les rapports, les transferts et les dépendances qui montrent comment le travail est réellement effectué. Elle répond à des questions telles que : quel travail est effectué ? Qui l’effectue ? Quels systèmes sont utilisés ? Quelles données sont consommées et produites ? Où ont lieu les transferts ?
2. La perspective des connaissances opérationnelles : elle couvre les règles, les décisions, le savoir-faire tacite, les exceptions, les solutions de contournement, les contrôles qualité et les cas de référence qui expliquent comment les collaborateurs exercent leur jugement dans la pratique. Elle répond à des questions telles que : comment les collaborateurs savent-ils ce qu’ils doivent faire ? Quelles règles sont appliquées ? Où les exceptions se produisent-elles ? Quel niveau de jugement est nécessaire ? Quelles connaissances distinguent un collaborateur expérimenté d’un débutant ?
3. La perspective de la gouvernance : elle couvre la responsabilité, la validation, la traçabilité, le versioning, les usages autorisés de l’IA et les contrôles qui permettent de maintenir les connaissances à jour et donc de garantir qu’elles peuvent être utilisées en toute sécurité. Elle répond à des questions telles que : qui est responsable de ces connaissances ? Qui les a validées ? Quelle est la source des éléments probants ? Quand doivent-elles être réexaminées ? L’IA peut-elle les utiliser directement ou une validation human-in-the-loop est-elle nécessaire ?
La combinaison de ces trois perspectives transforme la capture des connaissances, qui cesse d’être un exercice ponctuel de conseil pour devenir une pratique reproductible et évolutive.
Choisissez des objets standard pour rendre les connaissances réutilisables
Si chaque équipe documente les connaissances différemment, il devient difficile de les réutiliser.
Comme son nom l’indique, un modèle d’objets commun fournit une méthode commune pour décrire et connecter les connaissances que votre organisation doit pouvoir réutiliser. Structurez les connaissances liées aux workflows autour d’objets réutilisables tels que les workflows, les activités, les rôles, les systèmes, les actifs de données, les décisions, les règles, les exceptions et les contrôles. Définissez ensuite la manière dont ces objets sont liés les uns aux autres : un workflow contient des activités ; une activité est réalisée par un rôle ; une décision dépend d’une règle ; un système produit des données ; et un contrôle régit un processus.
Cette structure facilite la découverte des connaissances dès le premier jour tout en créant un lien entre les métiers et la technologie. Les équipes métier peuvent identifier les workflows, les règles et les décisions, tandis que les équipes data peuvent relier ces objets aux actifs de données, au lignage et aux règles de qualité. Les équipes IA peuvent les utiliser pour créer des packages de contexte, des modèles de retrieval, des instructions destinées aux agents et des critères d’évaluation.
L’essentiel est de ne pas complexifier inutilement le modèle. Créez suffisamment de structure pour que les connaissances capturées dans un cas d’usage puissent être réutilisées dans le suivant.
Utilisez des workflow knowledge cards pour garantir cohérence et gouvernance
Une manière concrète de construire un modèle d’objets commun consiste à utiliser des workflow knowledge cards. Chaque fiche décrit une activité, une décision, un transfert ou une exception spécifique selon un format standard.
Une fiche peut inclure le nom de l’activité, le workflow parent, le rôle responsable, les entrées et sorties, les systèmes utilisés, les éléments de données, les documents, les règles métier, les connaissances tacites, les exceptions courantes, les contrôles, le responsable, les difficultés rencontrées, les opportunités liées à l’IA, le statut de validation, la traçabilité des sources et la date de révision.
L’utilisation d’une structure standard garantit une plus grande cohérence entre les workflows et facilite l’examen, la validation et la gouvernance des connaissances. Elle facilite également la hiérarchisation des priorités en permettant d’évaluer chaque fiche selon sa valeur métier, son niveau de risque, sa pertinence pour l’IA et son degré de maturité en matière de gouvernance.
Cette approche favorise également la réutilisation. Par exemple, les règles, les décisions, les exceptions et les dépendances liées aux données peuvent être partagées entre plusieurs workflows, tandis que la responsabilité, la validation, la traçabilité et les cycles de révision deviennent des composantes intrinsèques de l’actif de connaissance lui-même.
Utilisez un langage commun pour transformer la documentation en données
La documentation traditionnelle est difficile à comparer, car chaque équipe décrit son travail différemment. Un vocabulaire contrôlé résout ce problème en fournissant une liste standard de termes à utiliser pour classifier les workflows, les informations et les opportunités liées à l’IA, par exemple :
- Les activités peuvent être classées comme collecte, validation, approbation, rapprochement ou reporting.
- Les connaissances peuvent être classées comme règle métier, heuristique, solution de contournement, politique ou contrôle qualité.
- L’utilisation des données peut être classée comme entrée, référence, calcul ou preuve d’audit.
- Les exceptions peuvent être classées comme données manquantes, conflit, solution de contournement manuelle ou problème de conformité.
- Les opportunités liées à l’IA peuvent être classées comme recherche, synthèse, validation, explication ou recommandation.
Un vocabulaire contrôlé vous permet également d’analyser les connaissances à l’échelle de votre organisation. Vous pouvez identifier où se concentrent les décisions manuelles, où les exceptions se produisent de manière répétée, où se trouvent les problèmes de qualité des données, où les contrôles sont insuffisants et où l’IA peut apporter de la valeur en toute sécurité.
C’est ainsi que la documentation devient une connaissance structurée, mesurable et réutilisable.
Effectuez une due diligence des connaissances
Toutes les sources de connaissances ne sont pas prêtes pour l’IA. Chaque source doit d’abord faire l’objet d’une due diligence afin d’évaluer sa qualité, sa responsabilité, son actualité, son exhaustivité, sa cohérence, son statut de source de référence et son niveau de risque :
- Les sources de données doivent être évaluées en fonction de leur responsabilité, de leur stewardship, de leur lignage, de leurs règles de qualité et de leur mapping sémantique.
- Les documents doivent être évalués en fonction de leur structure, de leur contrôle des versions, de leur statut d’approbation et de leur alignement sur les pratiques actuelles.
- Les connaissances tacites doivent être validées par plusieurs experts et associées à des exemples concrets.
- Les règles et les décisions doivent être évaluées en fonction de leur alignement avec les politiques, de la gestion des exceptions et de leur auditabilité.
Cet exercice vous aidera à déterminer si une source peut être utilisée ou non et à identifier les problèmes qui doivent être résolus au préalable. Par exemple, certaines sources peuvent être précieuses, mais nécessiter une meilleure définition des responsabilités, une documentation actualisée, des définitions plus claires ou des contrôles qualité plus rigoureux avant de pouvoir être utilisées en toute sécurité par l’IA.
Intégrez la gouvernance des connaissances dès la conception
Si vous capturez d’abord les connaissances et ne vous préoccupez de leur gouvernance qu’ensuite, il devient beaucoup plus difficile de les maintenir fiables et à jour. La gouvernance doit être intégrée à chaque actif de connaissance dès le départ.
Chaque actif doit disposer d’un responsable clairement identifié, d’un statut de validation, d’une traçabilité des sources, de dates de révision, d’un historique des versions et d’autorisations d’utilisation clairement définies. Il doit également préciser si l’IA peut utiliser directement ces connaissances pour le retrieval, les recommandations ou d’autres finalités, ainsi que les situations dans lesquelles une validation humaine est nécessaire.
La gouvernance doit inclure des contrôles continus, tels que des vérifications de l’actualité et de l’exhaustivité, la détection des contradictions, le mapping des sources de référence, la surveillance de la dérive et les workflows d’approbation.
C’est là que la gouvernance des connaissances complète la gouvernance des données, même si les deux ne sont pas identiques. La gouvernance des données se concentre sur les actifs de données, la responsabilité, la qualité, le lignage et les contrôles. La gouvernance des connaissances étend ces principes à la signification métier, aux règles, aux processus et au contexte de l’IA. Une organisation exploitant l’IA a besoin des deux.
Commencez par un cas d’usage pour construire une architecture de connaissances évolutive
Une manière concrète de commencer consiste à choisir un domaine métier prioritaire et un cas d’usage. Utilisez-les pour définir votre architecture de connaissances et votre modèle de gouvernance.
Comme le résultat comprend des structures et des composants réutilisables, votre prochain cas d’usage ne partira pas de zéro. Vous pourrez vous appuyer sur des actifs de connaissance existants et gouvernés, réutiliser des entités et des règles métier communes, étendre les mappings existants, adapter les packages de contexte et ajouter uniquement les nouveaux éléments nécessaires.
C’est ainsi que les initiatives liées aux connaissances peuvent passer à l’échelle : non pas en essayant de tout capturer en une seule fois, mais en construisant progressivement des actifs de connaissance réutilisables.
L’avenir repose sur une production gouvernée des connaissances
Les nouvelles technologies peuvent contribuer à extraire des concepts, recommander des ontologies, classifier des documents, évaluer la qualité, détecter les contradictions et automatiser la stewardship. Ces fonctionnalités sont précieuses, mais elles ne remplacent pas la nécessité d’un modèle opérationnel rigoureux.
En standardisant la manière dont les connaissances sont découvertes, validées, gouvernées, réutilisées et appliquées, vous dépassez le stade des expérimentations isolées en matière d’IA pour évoluer vers des systèmes d’IA qui comprennent mieux votre entreprise et continuent de s’améliorer au fil du temps.
QUE FAIRE ENSUITE ?
Découvrez les services d’IA de NTT DATA pour savoir comment nous pouvons vous aider à opérationnaliser l’IA dans l’ensemble de votre organisation.