16 06 0
Tester l’adéquation sémantique de votre ontologie aux questions métier
Validation des ontologies par les Competency Questions : panorama des besoins, des outils (CLaRO, ROBOT, CQChecker), apports et limites des LLMs.
2 06 0
Meilleures pratiques pour les deux cycles de vie d’un Knowledge Graph
Dans un knowledge Graph, on a deux types de cycles de vie à considérer, qui se nourrissent l’un l’autre. Le cycle de vie de l’ontologie, et les cycles de vie des graphes d’ensembles de données qui s’y réfèrent.
22 04 0
Pourquoi une « couche sémantique » ne remplace pas un raisonneur ontologique
Pourquoi une « couche sémantique » ne remplace pas un raisonneur ontologique
dbt, Looker, Timbr.ai, Microsoft Fabric IQ revendiquent tous une semantic layer. Derrière cette étiquette commune se cachent des réalités architecturales radicalement différentes — du simple catalogue de métadonnées au moteur d’inférence en logique descriptive.
Les confondre mène à des systèmes qui semblent sémantiques en surface, mais échouent à détecter des incohérences logiques, à inférer des classifications implicites ou à déduire automatiquement de nouveaux faits.
En 2026, aucun outil ne couvre seul toute la chaîne. Savoir assembler les bonnes briques est ce qui distingue une ingénierie ontologique rigoureuse d’un habillage marketing.
Lire l’article complet →
13 04 0
Les ontologies de fondation : pourquoi les ignorer peut finir par coûter cher
Vos Knowledge Graphs tiendront-ils la route ? Découvrez pourquoi ignorer les ontologies de fondation crée des failles invisibles qui compromettent le raisonnement et la pérennité de vos systèmes d’IA.
7 04 0
Bonne pratique ontologique n°5 : Architecture multi-niveaux d’un réseau connecté
Évitez les ontologies monolithiques ! Découvrez l’architecture multi-niveaux pour construire un réseau d’ontologies et un graphe de connaissances maintenable, extensible et interopérable.
30 03 0
Ontology Design Patterns : la modularité comme principe de réutilisabilité
Un patron de conception est une solution éprouvée à un problème récurrent de modélisation. Appliqués aux ontologies, les Ontology Design Patterns (ODPs) en sont la déclinaison formelle : des modules réutilisables, formellement spécifiés et bien documentés. Reste cependant à disposer de collections accessibles, bien référencées , avec des ODPs fiables et validés.
26 03 0
Bonne pratique ontologique n°3 : la réutilisabilité, partie 1
Troisième bonne pratique sur la série ontologies et knowledge Graph.
L’interopérabilité sémantique repose sur un pari : que les ontologies seront définies une fois, bien, et réutilisées partout. Ce pari se heurte en pratique à des questions que tout ontologue finit par se poser — où trouver des ontologies fiables ? Comment maîtriser leur évolution ? Faut-il tout réutiliser ou seulement une partie ? L’article ci-dessous pose le diagnostic. Le suivant proposera une réponse.
18 03 0
Bonne pratique ontologique n°2 : des questions de compétences.
Deuxième bonne pratique sur la série ontologies et knowledge Graph. Ici j’aborde les questions de compétences, et leur importance dans un processus de formalisation des exigences qui va permettre de valider que l’ontologie correspond aux usages recherchés, voire son adéquation au domaine modélisé. Cette bonne pratique ne traite qu’un aspect de la qualité des ontologies et d’autres articles suivront pour compléter des sujets rapidement évoqués ici, comme les métriques de qualité structurelles ou la réutilisation.
10 03 0
Bonne pratique ontologique n°1 : le pragmatisme philosophique
Cet article est le premier d’une série que je compte publier sur les bonnes pratiques en matière de développement d’ontologie et de mise en œuvre de Knowledge Graph. Je commencerai donc par le commencement, des articles sur ce qui est au cœur des knowledge graphs, les ontologies, et dans l’ingénierie de ces dernières, la conception, en mettant en avant le réalisme ontologique.
25 07 0
Le blues de l’IA
En juillet, on m’a beaucoup évoqué le côté bluffant des IAs génératives (LLMs). La terminologie me semble en effet adéquate : du bluff. L’intelligence artificielle générative est un artifice de simulation de pensées. Et au-delà du bluff, les conséquences des engouements et usages actuels me donnent un peu le blues. Cet article met des paroles sur cette musique.
12 02 0
Knowledge graph et Architecture d’Entreprise
Pour que l’approche des graphes de connaissances appliquée à l’architecture d’entreprise fonctionne, il ne faut pas se tromper de cible. Ainsi que suivre les bonnes pratiques de construction, tant pour la conception que l’implémentation. Cet article développe aussi bien les enjeux en la matière que les moyens d’y arriver
27 12 0
L’IA hybride contre le syndrome de Frankenstein
En 2024, faudra-t-il freiner ou accélérer la course à l’IA générative ? Cela ressemble un peu à une injonction à souscrire à un choix binaire qui imposerait un clivage artificiel entre le camp des transhumanistes/technosolutionistes/optimistes incurables et celui des technophobes/inadaptés/pessimistes invétérés. On peut toutefois tabler raisonnablement que l’ IA hybride restera le vrai enjeu de 2024, pas la taille des modèles. En effet, face à la course folle de l’hashtag#IA
générative, le couple LLMs et knowledgegraph semble bien être
le mariage de raison.
26 03 0
Une technologie d’IA, un idiot utile ? Une affaire d’entendement!
Il y a des expressions courtes qui en disent long sur une époque. Telle celle des dirigeants de Microsoft, cité dans cet article de CNBC , déclarant que la technologie Copilot boostée à GPT-X d’open AI, bien qu’ayant parfois des réponses fausses, fournit du « faux utile » (« usefully wrong »). On peut se sentir halluciner comme une IA à cette lecture. L’explication est que la génération de texte nous fait « gagner du temps », pour réaliser une présentation, envoyer un mail ou autre chose, et que cela seul est utile, au prix de quelques vérifications ultérieures, bien sûr. Du moins, tant que les gens réalisent que les réponses peuvent contenir des inexactitudes. Cela donne un peu envie de susurrer : c’est comme les « Fake News », non ? Pas de problème tant que les gens s’en rendent compte … Mais est-ce gagner quelque chose que perdre du discernement ?
13 03 0
Intelligence Machine et Knowledge Graphs
Qu’est-ce qu’on appelle Intelligence Artificielle, in fine ? Les deux mots accolés ne conduisent qu’à des définitions bancales ou à un oxymore. Une machine de type système informatique, exécutant des algorithmes, n’a ni intelligence ni sentience. Pas plus qu’un texte ou des paroles n’évoquent d’expériences à ses sens absents, elle n’a de raisonnements poussés. Néanmoins, on peut lui donner la capacité à associer un sens explicite à des mots, dans le contexte où ils sont exprimés. L’intelligence machine : une plaisanterie? Toutefois, c’est la différence entre comprendre l’esprit d‘un texte (l’intelligence) ou le prendre à la lettre, voire en trahir l’interprétation
20 02 0
ChatGPT et transformers : comment mettre plus d’intelligence dans la série ?
Les transformers sont des outils bluffants. Mais ils ne suffisent pas pour gérer des connaissances professionnelles. Il y a des points d’attention à garder en mémoire. Que peut-on dire des défauts des Transformers en traitement automatique du langage? Peu capables de faire des raisonnements logiques, les grands modèles de langage transformers interprètent les mots et leurs connexions dans un espace vectoriel. Ils sont énergivores lors de leur apprentissage et ont une empreinte écologique désastreuse. Ils absorbent et répercutent les biais de leurs données d’apprentissage et des humains qui les corrigent. Pour finir, leur usage, aussi bien à titre personnel qu’en entreprise, pose des problèmes cruciaux de fiabilité, de propriété intellectuelle et de protection d‘information. Il ne s’agit pas de jeter le bébé avec l’eau du bain. Seulement d’éclairer, avec quelques articles, certains faits liés à leur entraînement, à leur usage et à leur maturité.
20 02 1
Les transformers et les aspirations des titans du Web
Les modèles transformers semble de plus en plus s’orienter vers une combinaison d’IA symbolique et de réseaux neuronaux. Il s’agirait d’approches « neurosymboliques ». Dans ce contexte, il n’y a rien d’étonnant à ce que les géants du Web, tels que Google, Microsoft, FaceBook… développent depuis un moment leurs knowledge Graphs. Ils ont poussé pour ce qu’un vocabulaire commun (schema.org) serve à annoter les pages Web (en RDFA ou JSON-LD) avec des métadonnées se référant à ce vocabulaire. On peut imaginer déjà le prochain mouvement.
20 02 0
Comment bien éduquer un transformer ?
Un transformer peut se comporter comme une personne mal éduquée Dans l’apprentissage profond (deep learning), une fois l’espace multidimensionnel créé avec toutes les représentations des tokens calculées, les neurones et les connexions entre couches de neurones établies par l’apprentissage initial, on a affaire à une boîte noire entre l’entrée et la sortie. Cela signifie que le modèle ne peut pas expliquer comment il arrive à ses résultats. Le processus de prise de décision est caché. Mais il y a des probabilités que le système obtenu réplique des types de tournures ou de réactions typiques de son corpus d’entrée
20 02 0
Les données d’apprentissage : l’alpha et l’omega d’un transformer
un agent conversationnel basé sur un grand modèle de langage ne raisonne pas. Il joue sur des similarités textuelles, traduites dans un espace vectoriel. La façon même de répondre, de pouvoir reproduire un style, dépend de ses données d’apprentissage. Peut-on dès lors réellement utiliser le terme intelligence à son sujet ? En tous cas, ses capacités découlent de la nature des données sur lesquelles il a été entrainé.
20 02 0
L’arrivée des transformers dans le monde de l’IA
ChatGPT utilise un modèle transformer : and so what ? ChatGPT est un agent conversationnel (ChatBot) qui utilise un modèle transformer GPT-3.5 (Generative Pre-trained Transformer) pour comprendre et répondre à des questions d’utilisateurs. Il reprend les principes d’InstructGPT et utilise un apprentissage par renforcement avec un feedback humain (RLHF) pour améliorer ses réponses. Soyons honnêtes : ces deux phrases n’apprennent rien à personne. Ceux qui travaillent dans le domaine le savent déjà. Quant aux autres, cela ne clarifie rien. Car le premier point d’interrogation demeure : qu’est-ce qu’un modèle Transformer ?
2 02 0
Comprendre les outils d’IA : un enjeu d’Intelligence Economique
L’IA, un marteau de guerre… économique ? Dans l’art de la guerre économique, l’IA fournit des armes numériques pour le triptyque : veille, influence, protection. Ces armes ont pour particularité d’être peu visibles et on ne les lie pas forcément à leurs résultats. Surtout quand il s’agit de « l’art du faire savoir, faire croire et du faire faire ». La subtilité nécessairement liée à l’art de l’influence de l’IE est opposée à la visibilité des influenceurs des réseaux sociaux. Ce qui peut constituer une difficulté à déterminer la complicité par instigation, si l’influence pousse jusqu’au délit.
20 01 0
l’IA et le temps long du futur
Avec l’IA, nous devons réfléchir à changer de paradigme de croissance, pas répliquer l’existant Les avancées technologiques des outils dits d’intelligence artificielle donnent l’impression d’être au bord d’un changement de paradigme. L’aphorisme est connu : « Il faut que tout change pour que rien ne change ». Passé le retournement de la boule à neige en verre, les faux flocons retombent sur un paysage figé. Car la plupart des usages qui enthousiasment renvoient à des paradigmes existants : la destruction créatrice de Schumpeter, l’Intelligence économique et la guerre de l’information, le paradoxe de l’épée et du bouclier, la croissance vue par le PIB. Pourtant, nous aurions bien besoin, pour un futur plus durable, d’un peu plus d’innovations dans nos systèmes de pensées.
5 01 2
Entretien avec un robot: ChatGPT
Assisterions-nous à une nouvelle vague épidémiologique d’un battage publicitaire disproportionné sur les miracles tant attendus de l’intelligence artificielle ? On peut se le demander avec les articles incessants depuis un mois sur le robot conversationnel ChatGPT. Pour en avoir le cœur net, j’ai décidé de tester quelques questions via l’interface mise à disposition par OpenAI. Pour me faire ma propre idée de son utilité (ou pas) ainsi qu’en cerner les limites.
8 12 5
La fabrique des données: une bonne idée?
Gnothi seauton (traduit en latin par Nosce te ipsum ou temet nosce) est une expression signifiant « Connais-toi toi-même ». Elle était l’une des trois maximes gravées au fronton du temple d’apollon à Delphes. L’entreprise doit se connaître elle-même et connaître son environnement Dans le monde économique tel qu’il est actuellement, les entreprises font face à l’impératif de savoir exploiter des données métiers numérisées afin d’en tirer de la connaissance utile à la fois pour des décisions d’orientations stratégiques ou pour optimiser leur fonctionnement opérationnel.
5 05 0
Intelligence artificielle ou data science sans conscience ?
Intelligence artificielle ou data science sans conscience ?
Posted by Sabine Bohnké / data centric, gouvernance, ingénierie des connaissances, Intelligence Artificielle, ontologies, sémantique
Science sans conscience n’est que ruine de l’âme. Cette citation de Rabelais peut s’appliquer aujourd’hui à beaucoup de sujets connexes à la data science. Il y a celui des entreprises pilotées par les données (data driven). On peut aussi traiter des architectures « data-centric » mettant l’accent sur les données et leurs modèles conceptuels comme actifs essentiels de l’entreprise. L’idée étant de construire, sur un noyau central fait de « données », des systèmes d‘information agiles et durables servant la performance globale. Ce sont deux approches de niveau stratégique et deux sujets distincts. Néanmoins, quand on traite d’implémentation, on peut recourir dans l’un ou l’autre cas à des algorithmes de machine learning ou des solutions de représentation des connaissances et mécanismes de raisonnement. Autrement dit, nous parlons ici de disciplines liées à l’intelligence artificielle, mises au service d’un objectif commun aux deux approches.
5 02 0
Ecosystèmes d’affaires, GAFAM et règles du jeu
Sommes-nous devant un paradoxe ? Les écosystèmes d‘affaires/d’innovation sont des leviers de développement efficaces. En tablant sur la co-évolution des capacités d’acteurs en réseau, la synergie créée accroit la portée des efforts de tous. La logique d’écosystème, propice à la diversité des intervenants, aboutit à la création de valeur pour l’ensemble des parties prenantes. Néanmoins, dans le secteur IT (Information Technology), elle a construit aussi une situation oligopolistique. Après la convergence des médias et des technologies autour de l’échange d’information, nous sommes à l’ère de l’interaction virtuel-réel. Sur ce nouveau terrain de jeu des affaires, un petit nombre de sociétés ayant réussi à devenir des firmes pivots pour la plupart des usages du numérique, deviennent des super prédateurs.
19 11 0
Approches data centric, créez votre pierre de rosette des SI !
Le vocabulaire lié aux métiers des systèmes d’information d’entreprise est riche en acronymes ou expressions de toutes sortes. Que penser de celle-ci : data centric? Bien souvent, de nouveaux mots-clés apparaissent, par effet de mode ou par l’impulsion de nouvelles technologies. Mais ils ne font que recouvrir d’anciens concepts liés au besoin de maîtriser la complexité des SI. Bien que désignant des solutions utiles, ils ne sont pas non plus la solution ultime. En fournissant une nouvelle voie, ils proposent juste un nouveau point de vue. Finalement, tout l’enjeu dans les SI est de bien poser les problèmes avec l’ensemble des parties prenantes. Il faut pouvoir réconcilier des perspectives différentes, pour tenter de répondre aux trois questions essentielles de la création de valeur.
23 10 0
Oubliez les licornes, vive les blattes!
Ceci n’est pas un billet d’humeur. Mais un questionnement qui me taraude depuis la publication de la liste des sociétés du Next40. Pourquoi un des principaux critères du choix public reposerait-il sur le montant des levées de fonds privés ? Pourquoi convaincre des investisseurs garantirait-il, au-delà d’un potentiel succès financier, la durabilité et l’équité d’un modèle et une proposition de valeur équilibrée ? Puis des startups m’invitent à des présentations en soulignant leur importance par un « en cours de levée de fonds ». En réalité, l’argument ne me semble pas si pertinent pour juger de la valeur.
17 10 0
ERP SaaS : un match en 10 points sans vainqueur
Si le mode SaaS pour les ERP a bien résolu certaines problématiques, il en a créé d’autres et transposé d’anciennes. Il ne s’agit pas seulement de se libérer de coûts d’investissement, d’exploitation d’infrastructure ou de gestion de la sécurité. D’autant que tout n’est pas toujours aussi rose là où on s’attend à ce que cela le soit. Il y a des atouts indéniables, mais il y a aussi des zones grises. L’article suivant le montre en 10 points, dont 4 atouts et 6 zones grises.
7 10 1
Pour le logiciel libre, la liberté a un prix et un modèle économique
Le logiciel libre n’est pas qu’une question de licences, comme titrait dans un article Frank Karlitschek, fondateur de NextCloud. C’est aussi une question de pouvoir de contrôle, ou de liberté, selon le point de vue. Encore faut-il disposer des ressources et un modèle adapté, pour exercer ce pouvoir.
30 09 0
Retail, numérique et données personnelles : attention!
La donnée est la devise du retail numérique. La segmentation client, par exemple, qui est un B.A.BA du marketing, se trouve révolutionnée par l’analyse décisionnelle sur de grandes masses de données. Dans l’article en ligne du site Disruptordaily.com « what’s the future of AI in retail” plusieurs experts s’expriment sur les promesses de l’intelligence artificielle. En particulier, ils mettent en relief l’enjeu de l’exploitation des données pour le retail dans la relation client.