Les connaissances prêtes pour l'IA nécessitent plus qu'un graphe de connaissances

Pour obtenir les résultats que vous en attendez, IA a besoin de plus que des données. Elle a également besoin de sens, de contexte, de relations, de règles d'affaires et de connaissances fiables.

Cela suscite un intérêt pour les ontologies, les graphes de connaissances et les couches sémantiques. Jusqu’ici, tout va bien — mais la technologie est plus efficace lorsqu’elle s’appuie sur une compréhension claire des connaissances dont votre entreprise a réellement besoin. Pour concevoir une ontologie, vous devez comprendre quelles connaissances sont les plus importantes. Et un graphe de connaissances est d’autant plus précieux lorsque vous savez quels concepts, décisions, règles et exceptions il doit représenter.

En d'autres termes, vous devez d'abord maîtriser les bases. Et pour découvrir, saisir, prioriser et gouverner les connaissances de manière cohérente et reproductible, vous avez besoin d'un modèle opérationnel des connaissances.

Donnez à l'IA les connaissances pertinentes, et non la totalité des connaissances.

Le savoir organisationnel est dispersé dans les bases de données, les systèmes opérationnels, les applications, les tableaux de bord, les documents, les politiques, les procédures, les vidéos, les notes de réunion, les canaux de collaboration et — surtout — dans le savoir-faire de vos employés. Il peut être exact et précieux, mais il peut aussi être désuet ou contradictoire.

Toutefois, pour que l’IA donne un sens à tout cela, il faut bien plus que collecter des documents, interroger des experts, connecter des systèmes, puis charger le tout dans un référentiel. L’IA doit savoir à quelles sources se fier, quelles règles s'appliquent et comment les concepts s'articulent entre eux.

Une approche plus utile consiste donc à créer un modèle de criticité des connaissances qui évalue chaque source en fonction de la valeur, du coût d'accès, du risque et de la volatilité. Un document de politique qui détermine la conformité réglementaire, par exemple, est susceptible d'être plus critique qu'une description de processus générique. De même, une métrique de tableau de bord n'est utile que si sa définition et sa lignée sont claires.

Commencez par déterminer ce qui importe le plus :

• Sur quel domaine d'affaires ou cas d'utilisation devriez-vous vous concentrer ?
• Quelles décisions, quels flux de travail ou quels résultats cherchez-vous à améliorer?
• Quelles sources de connaissances sont les plus importantes pour ces résultats? Sont-elles fiables, accessibles et adéquatement gouvernées?

L'objectif est d'identifier les connaissances les plus pertinentes, fiables et réutilisables pour un résultat d'affaires précis. De là, apprenez rapidement et concevez en tenant compte de la mise à l'échelle.

• À LIRE AUSSI: 8 façons d'améliorer votre stratégie de connaissances d'entreprise pour l'IA

Reliez les flux de travail, les données et les décisions

De nombreuses initiatives en IA partent du principe que le flux de travail sous-jacent est déjà compris. En réalité, ce n’est souvent pas le cas. Il est possible que les processus ne soient que partiellement documentés et que les connaissances critiques ne résident souvent que dans l’esprit des employés. Différentes équipes peuvent même utiliser des appellations différentes pour un même concept d’affaires.

Rendre les connaissances réutilisables et gouvernables implique de connecter trois perspectives complémentaires :

1. Vue du flux de travail, des données et du système : 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. Il répond à des questions telles que : Quel travail est effectué ? Qui l'effectue ? Quels systèmes sont utilisés ? Quelles données sont consommées et produites ? Où s’effectuent les transferts ?
2. La vue des connaissances opérationnelles saisit les règles, les décisions, le savoir-faire tacite, les exceptions, les solutions de contournement, les contrôles de la qualité et les cas de référence qui expliquent comment les gens exercent leur jugement dans la pratique. Il répond à des questions telles que : Comment les gens savent-ils quoi faire ? Quelles règles sont appliquées ? Où les exceptions se produisent-elles ? Quel jugement est nécessaire ? Quelles connaissances distinguent un professionnel expérimenté d’un novice ?

La perspective de la gouvernance : Propriété, validation, traçabilité, gestion des versions, utilisation permise de l'IA et contrôles qui maintiennent les connaissances à jour et, par conséquent, sécuritaires à utiliser. Il répond à des questions telles que : Qui possède ces connaissances? Qui les a validées? Quelle est la source de la preuve ? Quand doit-elle être examinée ? L’IA peut-elle l’utiliser directement, ou nécessite-t-elle une validation humaine ?

Réunir ces trois perspectives transforme la captation des connaissances, qui passe d'un exercice de consultation ponctuel à une pratique reproductible et évolutive.

Choisissez des objets standard pour rendre les connaissances réutilisables

Si chaque équipe documente les connaissances différemment, il est difficile de les réutiliser.

Un modèle d’objet commun, comme son nom l’indique, vous offre une façon commune de décrire et de relier les connaissances que votre organisation doit réutiliser. Structurez les connaissances relatives aux flux de travail autour d’objets réutilisables tels que les flux de travail, les activités, les rôles, les systèmes, les actifs de données, les décisions, les règles, les exceptions et les contrôles. Définissez ensuite la façon dont ces objets sont reliés les uns aux autres : Un flux de travail contient des activités; une activité est exécutée 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 pont entre les affaires et la technologie. Les équipes d’affaires peuvent reconnaître les flux de travail, les règles et les décisions, et les équipes de données peuvent connecter ces objets aux actifs de données, au lignage et aux règles de qualité. Les équipes d'IA peuvent les utiliser pour concevoir des ensembles de contexte, des modèles de récupération, des instructions d'agent et des critères d'évaluation.

La clé est de ne pas complexifier inutilement le modèle. Mettez en place une structure suffisante afin que les connaissances capturées dans un cas d'utilisation puissent être réutilisées dans le suivant.

Utilisez des fiches de connaissances sur les flux de travail pour assurer la cohérence et la gouvernance

Un moyen concret de bâtir un modèle d'objets commun consiste à utiliser des fiches de connaissances sur les flux de travail. Chaque fiche consigne une activité, une décision, un transfert ou une exception dans un format normalisé.

Une fiche peut inclure le nom de l'activité, le flux de travail parent, le rôle responsable, les entrées et sorties, les systèmes utilisés, les éléments de données, les documents, les règles d'affaires, les connaissances tacites, les exceptions courantes, les contrôles, le propriétaire, les points de friction, les opportunités d'IA, le statut de validation, la traçabilité des sources et la date de révision.

L'utilisation d'une structure standard assure la cohérence des flux de travail et facilite la révision, la validation et la gouvernance des connaissances. Elle favorise également la priorisation en permettant d'évaluer chaque fiche en fonction de la valeur opérationnelle, du risque, de la pertinence de l'IA et de l'état de préparation à la gouvernance.

Cette approche encourage également la réutilisation. Par exemple, les règles, les décisions, les exceptions et les dépendances de données peuvent être partagées dans l’ensemble des flux de travail, tandis que la propriété, la validation, la traçabilité et les cycles de révision deviennent partie intégrante de l’actif de connaissances lui-même.

Utilisez le même langage 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 vous fournissant une liste normalisée de termes à utiliser pour classer les flux de travail, les informations et les opportunités d’IA, tels que :

• Les activités peuvent être classées comme suit : collecte, validation, approbation, rapprochement ou établissement de rapports.
• Les connaissances peuvent être classées comme règle d'affaires, heuristique, solution de contournement, politique ou contrôle de qualité.
• L'utilisation des données peut être classée comme donnée d'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 en IA peuvent être classées en : extraire, résumer, valider, expliquer ou recommander.

Un vocabulaire contrôlé vous permet également d'analyser les connaissances à l'échelle de votre organisation. Vous pouvez identifier où les décisions manuelles sont concentrées, où les exceptions sont récurrentes, où des problèmes de qualité des données existent, où les contrôles sont faibles et où l'IA peut créer de la valeur en toute sécurité.

C'est ainsi que la documentation devient des connaissances structurées, mesurables et réutilisables.

Effectuez votre diligence raisonnable en matière de connaissances

Toutes les sources de connaissances ne sont pas prêtes pour l'IA. Chaque source doit d'abord faire l'objet d'une vérification diligente des connaissances afin d'évaluer sa qualité, sa propriété, son actualité, son exhaustivité, sa cohérence, son statut de source unique de vérité et son risque :

• Les sources de données doivent être évaluées en fonction de la propriété, de l'intendance, du lignage, des règles de qualité et du mappage sémantique.
• Les documents doivent être évalués en fonction de leur structure, de leur gestion des versions, de leur statut d'approbation et de leur alignement avec les pratiques actuelles.
• Les connaissances tacites devraient être validées par plusieurs experts et liées à des exemples concrets.
• Les règles et les décisions devraient être évaluées en fonction de l’alignement avec les politiques, de la gestion des exceptions et de la capacité d’audit.

Cet exercice vous aidera à déterminer si une source peut être utilisée et à cerner les problèmes qui doivent être résolus au préalable. Par exemple, certaines sources peuvent s’avérer précieuses, mais nécessitent une meilleure prise en charge, une documentation mise à jour, des définitions plus claires ou des contrôles de qualité plus rigoureux avant de pouvoir soutenir l'IA en toute sécurité.

Intégrez la gouvernance des connaissances dès la conception

Si vous capturez les connaissances d’abord et ne vous préoccupez de la gouvernance qu’ensuite, il devient beaucoup plus difficile de les maintenir fiables et à jour. La gouvernance devrait être intégrée à chaque actif de connaissances dès le départ.

Chaque actif devrait avoir un propriétaire clairement responsable, un statut de validation, une traçabilité de la source, des dates de révision, un historique des versions et des permissions d’utilisation définies. Il devrait également préciser si l’IA peut utiliser les connaissances directement pour la récupération, les recommandations ou à d’autres fins, et à quel moment une révision humaine est nécessaire.

La gouvernance devrait inclure des contrôles continus tels que des vérifications de la fraîcheur, des vérifications de l'exhaustivité, la détection des contradictions, la cartographie de la source unique de vérité, la surveillance des dérives et des processus d'approbation.

C'est là que la gouvernance des connaissances complète la gouvernance des données, mais les deux sont distinctes. La gouvernance des données porte sur les actifs de données, la propriété, 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. Vous avez besoin des deux dans une organisation dotée de l'IA.

Commencez par un cas d'utilisation pour élaborer une architecture de connaissances évolutive

Une approche concrète consiste à choisir un domaine d'affaires prioritaire et un cas d'utilisation. Utilisez-le pour définir votre architecture de connaissances et votre modèle de gouvernance.

Puisque le résultat comprend des structures et des composants réutilisables, votre prochain cas d’utilisation ne partira pas de zéro. Vous pouvez vous appuyer sur des actifs de connaissances gouvernés existants, réutiliser des entités et des règles métier communes, étendre les mappages existants, adapter des ensembles de contexte et n’ajouter que ce qui est nouveau.

C’est ainsi que les initiatives de connaissances passent à l’échelle : non pas en essayant de tout saisir d’un seul coup, mais en bâtissant constamment des actifs de connaissances réutilisables.

L'avenir repose sur la production de connaissances gouvernée

Les nouvelles technologies peuvent aider à extraire des concepts, à recommander des ontologies, à classer des documents, à évaluer la qualité, à détecter les contradictions et à automatiser l'intendance. Ce sont là des capacités précieuses, mais elles ne remplacent pas la nécessité d'un modèle opérationnel discipliné.

Lorsque vous standardisez la façon dont les connaissances sont découvertes, validées, gouvernées, réutilisées et appliquées, vous dépassez le stade des expérimentations isolées en IA pour vous orienter vers des systèmes d'IA qui comprennent mieux votre entreprise et continuent de s'améliorer au fil du temps.

• À LIRE ÉGALEMENT : Vous ne pouvez pas bâtir une usine autonome sur des données fragmentées

QUOI FAIRE ENSUITE

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