8 façons d'améliorer votre stratégie de connaissance d'entreprise pour l'IA

Lorsque vos initiatives d’IA, qu’il s’agisse de copilotes ou de systèmes agentiques plus avancés, n’ont pas d’impact sur l’entreprise, il est facile de supposer qu’il y a un problème avec vos données, en particulier lorsque vous avez investi massivement dans des lacs de données, des plateformes, des entrepôts et des tableaux de bord.

Bien qu’une mauvaise gestion des données dans un environnement d’IA puisse entraîner des réponses imprécises, des hallucinations et un manque général de confiance de la part de l’entreprise, le défi est souvent plus vaste que cela.

En termes simples, l’IA ne fonctionne pas uniquement sur les données. Il a besoin de connaissances de l'entreprise, et ce n'est pas quelque chose que vous pouvez simplement jeter dans un système et l'appeler un jour. Il a besoin de structure, de contexte, d’une prise en charge claire et de soins constants pour rester pertinent.

Sur la base de l’expérience de NTT DATA dans les projets d’IA d’entreprise, voici huit façons de tirer parti des connaissances de l’entreprise pour l’IA.

• À LIRE AUSSI  sur Au-delà du battage publicitaire : Comment l’IA produit de véritables résultats commerciaux

Utiliser les connaissances de l’entreprise pour alimenter la performance de l’IA

Supposons qu’une entreprise mondiale de services financiers décide de déployer un copilote interne d’IA pour soutenir les gestionnaires de la relation client. Leur base de données est solide, avec des données clients propres, des systèmes de produits intégrés et une plateforme de données moderne. Alors, pourquoi leur copilote a-t-il des difficultés avec des questions de base comme : « Quels produits sont pertinents pour ce segment de clientèle? »

Le problème est qu’il n’y a pas de signification associée aux données. Le système d’IA n’a pas accès à une définition communément acceptée du « segment client », ne comprend pas les relations entre les produits et les cas d’utilisation et manque de contexte sur les règles commerciales globales de l’entreprise.

L’ajout d’une couche de connaissances enrichira les données avec un sens, un contexte et des relations.

Le point à retenir : Les données vous disent ce qui s'est passé. La connaissance indique à l’IA ce qu’elle signifie et ce qu’elle doit faire ensuite.

Établissez une signification partagée avant de commencer à mettre à l’échelle l’IA

Parce que les humains et les systèmes d’IA doivent interpréter les données de manière cohérente, l’un des premiers obstacles à surmonter est la normalisation sémantique.

Dans une entreprise de télécommunications, par exemple, différentes équipes peuvent définir le terme « client actif » de différentes manières. Par conséquent, une fois qu’elles commencent à utiliser des analyses basées sur l’IA interentreprises, chaque équipe obtient une réponse différente à la même question.

Ce résultat indésirable peut être évité en établissant une signification partagée, avec des glossaires commerciaux, des mesures normalisées et des définitions qui sont partagées entre les systèmes.

Le point à retenir : Si votre organisation ne peut pas s’entendre sur les définitions, votre IA ne le fera pas non plus.

Combiner les graphiques de connaissances et la recherche vectorielle

Pour une gestion optimale des données, faut-il investir dans des graphes de connaissances ou simplement utiliser des bases de données vectorielles ?

Disons que vous dirigez une entreprise de soins de santé utilisant la recherche vectorielle pour alimenter un assistant clinique. Au début, il fonctionne bien car il récupère des documents à partir de grands volumes de données non structurées. Mais lorsque vous lui demandez de naviguer dans les règles de conformité ou d’appliquer des protocoles de traitement, les réponses commencent à vaciller. La récupération seule ne suffit pas lorsque la précision et le raisonnement sont importants.

Lorsque vous introduisez un graphique de connaissances, vous modélisez les relations entre les patients, les traitements et les réglementations. Maintenant, l’assistant comprend comment les choses se connectent. Ses réponses deviennent explicables, ce qui est essentiel pour la conformité, et il traite les cas limites avec beaucoup plus de confiance.

Les vecteurs vous offrent de la flexibilité lorsque vous travaillez avec du contenu désordonné et non structuré. Les graphiques de connaissances apportent une structure, un contexte et une couche de raisonnement de confiance. Vous avez besoin des deux.

Le point à retenir : les connaissances basées sur l’IA sont hybrides par conception.

Traiter les connaissances comme un produit avec un cycle de vie

Un fabricant peut constituer une base de connaissances solide pour ses procédures de maintenance, et il est probable que cela fonctionnera bien pendant un certain temps. Mais au moment où leurs processus changent, l’IA continuera à recommander des instructions obsolètes, frustrant les opérateurs de machines.

L’erreur est de traiter la connaissance comme un élément statique. Il se comporte beaucoup plus comme un logiciel, nécessitant des versions, des mises à jour, des tests et des améliorations continues. Considérez-le comme la gestion d’un actif vivant, ce qui signifie :

• Capturer à la fois le savoir-faire documenté et l’expertise non écrite de vos employés
• Structurer avec une sémantique et une classification claires
• L’intégrer dans les pipelines, les graphiques et les intégrations
• L’activer par le biais de la recherche, des agents et de la génération augmentée de récupération (RAG)
• Le maintenir avec des contrôles de qualité continus, des mises à jour et un archivage minutieux

Le point à retenir : la connaissance qui n'est pas maintenue devient un passif.

Découvrir et capturer des connaissances non documentées

Certaines des connaissances les plus précieuses de votre organisation ne sont pas écrites. Cela se manifeste dans la façon dont les employés expérimentés prennent des décisions, les raccourcis qu’ils prennent, les conversations qu’ils ont et les habitudes qu’ils ont développées au fil du temps.

Prenons l’exemple d’une entreprise de logistique où les meilleurs répartiteurs surpassent systématiquement l’IA parce qu’ils s’appuient sur des instincts et des heuristiques basés sur des années d’expérience. Comment l’entreprise saisirait-elle ces connaissances tacites et les intégrerait-elle dans le système?

• Analysez les données d'exécution réelles pour découvrir les modèles et les chemins de décision cachés derrière les processus formels.
• Transcription de décisions assistée par l’IA : capturez et structurez la prise de décision en temps réel en transformant les conversations, les appels et les notes en connaissances utilisables.
• Boucles de rétroaction structurées : créez des moyens simples et cohérents pour les experts de corriger et d’affiner les résultats de l’IA afin que le système en tire des leçons au fil du temps.

La saisie de ce type de connaissances est complexe et nécessite la bonne combinaison d’outils, de gouvernance et d’expertise du domaine, mais elle présente une réelle valeur commerciale.

Le point à retenir : si elle vit uniquement dans la tête de vos employés, votre IA ne l’apprendra jamais.

Récupération de la conception pour l’IA, pas pour les humains

La gestion des connaissances traditionnelles a été conçue pour les personnes. Mais l’IA ne « recherche » pas comme nous le faisons. Il rassemble juste assez de contexte pour passer à l’étape suivante.

Par exemple, lorsqu’une entreprise de vente au détail met en œuvre un chatbot en plus d’une approche de recherche de documents de base, elle est susceptible de renvoyer des réponses longues et non pertinentes, car elle récupère des documents entiers au lieu de rechercher et de présenter des documents spécifiques en fonction du contexte.

Pour résoudre ce problème, ils doivent repenser la couche de récupération pour inclure ce qui suit :

• RAG : Ne récupérez que les bribes d’informations les plus pertinentes et utilisez-les pour ancrer la réponse de l’IA, au lieu de vous fier à des documents entiers.
• Recherche hybride (mots clés, sémantique et graphiques) : combinez les correspondances exactes, la recherche basée sur le sens et les requêtes tenant compte des relations pour obtenir à la fois précision et contexte.
• Filtrage en fonction du contexte : filtrez les résultats en fonction de la situation – qui demande, ce qu’ils essaient de faire et ce qui est pertinent en ce moment – afin que l’IA ne voie que ce qui compte vraiment.

Le point à retenir : votre objectif n’est pas l’accès aux connaissances, mais l’activation des connaissances prêtes pour l’IA.

Rendre la gouvernance opérationnelle

La gouvernance n’est pas facultative dans l’IA d’entreprise, en particulier dans les secteurs hautement réglementés tels que les services financiers et les soins de santé.

Prenons l’exemple d’une banque qui évalue le déploiement de l’IA. S’il n’y a aucun moyen de retracer l’origine des données, la manière dont elles ont été utilisées ou la manière dont les différents éléments de connaissances se connectent, le projet stagnera parce que les réponses ne peuvent pas être expliquées ou fiables.

Cependant, en mettant en œuvre des graphiques de connaissances et des cadres de gouvernance, la banque peut retracer ces réponses jusqu’à leurs sources, comprendre comment ces décisions sont prises et appliquer les bonnes règles de risque et de conformité en cours de route.

Le point à retenir : Pas de gouvernance signifie pas de confiance - et pas d'adoption.

Commencez petit, mais concevez pour l’échelle dès le premier jour

Essayer de « réparer » la gestion des connaissances dans votre organisation en une seule fois ne fonctionne presque jamais. C’est trop vaste et trop abstrait.

Une meilleure approche consiste à commencer par un cas d’utilisation à forte valeur ajoutée, comme le support client ou les opérations, et à construire à partir de là. Concentrez-vous sur la création d’éléments réutilisables tels que les ontologies, les pipelines de connaissances et les modèles de récupération. Une fois que ceux-ci prouvent leur valeur, vous pouvez les étendre à d'autres domaines.

Une entreprise de services publics, par exemple, pourrait commencer par un problème ciblé : la traduction du langage naturel en SQL pour les données opérationnelles. En ancrant le système dans des ontologies claires, une logique déterministe et des grands modèles de langage (LLM) soigneusement appliqués, ils aboutissent à quelque chose de fiable plutôt qu’à une simple démo.

Le point à retenir : Pensez grand, commencez petit et évoluez rapidement.

L’IA agentique relève la barre

L’IA agentique ajoute une puissance considérable aux systèmes d’IA, mais augmente également les enjeux. Votre stratégie de connaissance d’entreprise devrait agir comme un catalyseur pour rendre ces systèmes plus fiables et explicables.

Une fois que vous commencez à utiliser des ontologies et des connaissances structurées pour résoudre l`intention de l`utilisateur de manière déterministe, et que vous n`appelez le grand modèle de langage (LLM) que lorsque cela est nécessaire tout en limitant la sortie avec le contexte et les règles, la couche de connaissances devient le cerveau, plus que le LLM lui-même.

Cela se produit lorsque vous arrêtez de compter sur le modèle pour tout comprendre. Utilisez des ontologies et des connaissances structurées pour résoudre l’intention lorsque vous le pouvez. Apportez le LLM lorsqu’il ajoute de la valeur, et même dans ce cas, gardez-le ancré dans le bon contexte et les bonnes contraintes. À ce stade, la couche de connaissances fait la majeure partie du travail lourd. Le modèle devient un composant, pas le centre du système.

S’il y a une dernière chose à retenir, c’est la suivante : l’IA est un problème de connaissance, pas un problème de modèle. Traitez les connaissances comme un véritable atout, et le reste commencera à se mettre en place.

• Pourquoi la  communication est le prochain goulot d’étranglement de l’IA d’entreprise

QUE FAIRE ENSUITE

Apprenez-en davantage sur les services d’IA de NTT DATA pour découvrir comment nous pouvons vous aider à opérationnaliser l’IA dans l’ensemble de votre organisation.