Ontologie

Qu’est-ce qu’une ontologie ?

Une ontologie est la représentation formelle de la connaissance d’un domaine : ses concepts (les nœuds), leurs propriétés et les relations qui les lient entre eux. C’est la carte sémantique de votre savoir métier, celle que l’agent IA interroge pour raisonner sur votre domaine plutôt que de s’appuyer sur des connaissances génériques du LLM.

Dans le domaine des Ressources Humaines (RH), cela donne par exemple : EMPLOYE — occupe — POSTE — requiert — COMPETENCE. Chaque concept (EMPLOYE, POSTE, COMPETENCE) est un nœud ; chaque verbe (occupe, requiert) est une relation ; et des propriétés viennent préciser chaque élément (date d’entrée, niveau de compétence, statut du poste…).

L’ontologie augmentée : la même carte sémantique, mais qui parle votre langue

Traditionnellement, modéliser une ontologie exige des semaines de travail avec les équipes métier et IT (ateliers de modélisation, schémas, validations croisées). Nous avons changé la donne avec GraphForge, le moteur de notre plateforme Graphicient qui permet à des personnes non techniques de créer une ontologie, d’importer une source de données pour l’instancier, de la faire évoluer (ajout/mise à jour de concepts), sans dépendre d’un cycle de développement classique. Tout se fait en quelques clics, au rythme du besoin métier, sans écrire une ligne de code.

Néanmoins, l’ontologie seule est insuffisante. Elle permet à l’agent IA de répondre à la question “qu’est-ce qui existe ?” mais pas à “comment le comprendre et s’en servir ?”. Par exemple, l’agent IA ne sait pas qu’une “ressource”, “un salarié” ou “un collaborateur” désigne la même chose que “employé” dans votre domaine. Autre exemple, il ne sait pas que “les séniors” désigne les employés ayant un poste niveau hiérarchique 3. En d’autres termes, il ne dispose pas du jargon propre à votre domaine. Or, c’est la nature du LLM sur lequel il est basé de prédire plutôt que de savoir : à chaque mot, il calcule la suite de texte la plus probable d’après ce qu’il a appris, sans distinguer ce qu’il sait avec certitude de ce qui semble simplement plausible. Face à une question sans réponse claire dans ses données d’entraînement, il peut générer une réponse crédible mais fausse - une hallucination - formulée avec la même assurance qu’une réponse correcte.

C’est précisément là qu’intervient “l’augmentation” de l’ontologie. Dans GraphForge, on permet d’enrichir l’ontologie avec cinq couches sémantiques sans écrire une ligne de code.

• Synonymes : les synonymes et variantes que les équipes utilisent réellement.
• Descriptions : le sens métier de chaque concept, en langage clair, sans jargon technique.
• Règles métiers : les contraintes propres à votre domaine métier, que l’agent IA doit respecter dans son raisonnement.
• Instructions agent : la manière dont le système d’IA doit raisonner.
• Skills : des blocs de savoir-faire réutilisables que l’agent IA réutilise pour répondre de la bonne façon une question métier récurrente. Ils sont composés de trois éléments :
  • quand l’utiliser : La situation à laquelle le skill s’applique
  • comment répondre : Les étapes à suivre pour répondre
  • garde-fous : ce qu’il faut éviter, ce à quoi ressemble une “bonne” réponse.

Ces couches sont exploitées par l’agent IA et vont lui permettre de comprendre le vocabulaire métier, de savoir comment raisonner sur chaque concept, et de répondre de façon fiable plutôt que de deviner. Par exemple, un utilisateur métier pose la question en langage naturel “quelles sont les ressources qui ont une compétence donnée ?”. Concrètement, l’utilisateur dit “ressources” (Synonymes, Descriptions), l’agent IA comprend qu’il s’agit d’employés. Puis, il suit l’instruction de récupérer les nœuds EMPLOYE. Il applique également la règle métier selon laquelle un employé en période d’essai ne peut pas être proposé pour une mission externe. Il applique ensuite le skill dédié pour parcourir la relation a_pour_competence. Il vérifie que la compétence recherchée existe et signale si aucun salarié ne correspond plutôt que de produire une réponse plausible mais fausse (garde-fous). Résultat : une réponse exacte, sans requête technique, sans intervention IT, sans traduction manuelle.