L’INTELLIGENCE ARTIFICIELLE CHANGE AUSSI LA NATURE DE LA BASE DE CONNAISSANCES
De la bibliothèque d’articles au graphe de connaissances intelligent
Une base de connaissances classique cherche principalement à organiser de l’information.
On crée des catégories.
On ajoute des articles.
On utilise des mots-clés.
On construit des menus.
On ajoute des liens internes.
On classe les documents par thèmes.
Cette architecture fonctionne.
Mais elle possède une limite fondamentale :
elle organise principalement les contenus.
Une architecture de connaissances beaucoup plus ambitieuse peut organiser non seulement les contenus, mais également les relations entre les connaissances.
Elle ne cherche plus uniquement à répondre à :
« Où se trouve l’information ? »
Elle peut également répondre à :
« Avec quelles autres connaissances cette information est-elle liée ? »
Puis :
« Quelles mesures permettent de la caractériser ? »
« Quels modèles permettent de l’étudier ? »
« Quelles décisions peut-elle influencer ? »
« Quels équipements permettent de mettre en œuvre cette décision ? »
« Quelles compétences sont nécessaires ? »
« Quels risques faut-il surveiller ? »
« Quelles expériences permettent de vérifier l’hypothèse ? »
« Quels scénarios futurs peuvent modifier la réponse ? »
On change alors complètement de logique.
On ne construit plus seulement une base documentaire.
On commence à construire une architecture relationnelle de la connaissance.
Et cette architecture devient particulièrement intéressante avec l’arrivée de l’intelligence artificielle.
1. UNE BASE DE CONNAISSANCES N’EST PLUS SEULEMENT UNE BIBLIOTHÈQUE
Pendant longtemps, la métaphore la plus simple pour une base de connaissances était celle d’une bibliothèque.
Une bibliothèque possède :
- des livres ;
- des rayons ;
- des catégories ;
- des index ;
- des mots-clés ;
- des références.
Pour trouver une information, l’utilisateur effectue une recherche.
Il saisit un terme.
Il obtient des résultats.
Il ouvre plusieurs documents.
Il compare.
Il interprète.
Il cherche ensuite d’autres informations.
Cette logique reste parfaitement pertinente.
Mais elle devient insuffisante lorsque la quantité de connaissances augmente fortement.
Imaginez une base DEMETER-FB contenant :
- 5 000 articles ;
- 20 000 fiches techniques ;
- 2 000 études de cas ;
- 1 000 tableaux ;
- plusieurs centaines de formations ;
- des milliers de références d’équipements ;
- des retours d’expérience ;
- des protocoles de mesure ;
- des modèles ;
- des simulations ;
- des expérimentations ;
- des données environnementales ;
- des scénarios prospectifs.
Le problème ne devient alors plus seulement :
« Avons-nous l’information ? »
Il devient :
« Sommes-nous capables de retrouver la bonne information dans le bon contexte ? »
Et surtout :
« Sommes-nous capables de comprendre les relations entre toutes ces informations ? »
C’est ici que l’architecture devient déterminante.
2. LE MOT-CLÉ N’EST PLUS SUFFISANT
Prenons un exemple simple :
L’EAU
Dans une architecture traditionnelle, on pourrait créer une catégorie :
Eau
Puis plusieurs articles :
- récupération d’eau de pluie ;
- stockage ;
- irrigation ;
- filtration ;
- traitement ;
- pompage ;
- économies d’eau ;
- autonomie hydrique.
C’est déjà intéressant.
Mais le mot « eau » ne permet pas à lui seul de représenter toute la complexité du sujet.
L’eau possède des relations avec :
- la météorologie ;
- l’hydrologie ;
- la géologie ;
- les sols ;
- la végétation ;
- l’agriculture ;
- l’industrie ;
- l’énergie ;
- le bâtiment ;
- la réglementation ;
- l’économie ;
- la santé ;
- l’IoT ;
- l’intelligence artificielle ;
- la maintenance ;
- la résilience ;
- l’autonomie.
Une architecture véritablement systémique ne devrait donc pas seulement enregistrer :
EAU → ARTICLE
Elle devrait pouvoir représenter :
EAU → PRÉCIPITATIONS → STOCKAGE → SOL → PLANTE → ÉVAPOTRANSPIRATION → IRRIGATION → RENDEMENT → ÉNERGIE → POMPAGE → COÛT → MAINTENANCE → RISQUE → AUTONOMIE
Le sujet devient un réseau.
3. PASSER DE LA CATÉGORIE À LA RELATION
C’est probablement l’un des changements conceptuels les plus importants.
Une catégorie dit :
« Ces informations appartiennent au même domaine. »
Une relation dit :
« Ces informations interagissent. »
Cette différence paraît subtile.
Elle est en réalité fondamentale.
Prenons :
Humidité du sol
Dans une architecture documentaire, elle peut être classée dans :
Agriculture → Sol → Irrigation
Mais dans un graphe de connaissances, elle peut être reliée à :
- type de sol ;
- texture ;
- structure ;
- matière organique ;
- capacité de rétention ;
- infiltration ;
- température ;
- pluie ;
- évapotranspiration ;
- profondeur racinaire ;
- espèce végétale ;
- stade phénologique ;
- irrigation ;
- capteur ;
- protocole de mesure ;
- seuil de décision ;
- modèle hydrique ;
- stress hydrique ;
- rendement ;
- consommation énergétique ;
- autonomie hydrique ;
- changement climatique.
Le même objet devient donc accessible depuis plusieurs chemins.
C’est précisément ce qui permet à une base de connaissances de devenir beaucoup plus puissante.
4. LES DIX GRANDES FAMILLES PEUVENT DEVENIR UNE ARCHITECTURE RELATIONNELLE
Les dix grandes familles intellectuelles de DEMETER-FB constituent une excellente structure pour cette transformation :
- COMPRENDRE
- MESURER
- MODÉLISER
- DÉCIDER
- CONCEVOIR
- CONSTRUIRE
- AUTONOMISER
- RÉSISTER ET S’ADAPTER
- APPRENDRE
- ÉVOLUER
L’intérêt ne réside pas uniquement dans le classement.
Il réside dans le fait que chaque sujet peut traverser plusieurs familles.
Prenons encore l’eau.
COMPRENDRE
Qu’est-ce que le cycle de l’eau ?
MESURER
Comment mesurer :
- la pluie ;
- le débit ;
- la pression ;
- l’humidité ;
- le niveau ;
- la consommation ?
MODÉLISER
Comment représenter :
- un bilan hydrique ;
- un réseau hydraulique ;
- une réserve ;
- une irrigation ;
- une consommation ?
DÉCIDER
Faut-il :
- stocker davantage ?
- irriguer ?
- réduire les consommations ?
- changer les cultures ?
- modifier le réseau ?
CONCEVOIR
Comment dimensionner :
- une cuve ;
- une pompe ;
- une canalisation ;
- un réseau ;
- une noue ;
- une mare ?
CONSTRUIRE
Comment réaliser le système ?
AUTONOMISER
Comment réduire la dépendance au réseau extérieur ?
RÉSISTER ET S’ADAPTER
Que se passe-t-il pendant :
- une sécheresse ;
- une canicule ;
- une panne ;
- une restriction d’eau ;
- une pluie extrême ?
APPRENDRE
Comment analyser les résultats et améliorer le système ?
ÉVOLUER
Comment adapter le système à 2035, 2050 ou 2100 ?
Le sujet « eau » n’est donc plus un article.
Il devient un nœud central d’un système de connaissances.
5. LE GRAPHE DE CONNAISSANCES CHANGE LA MANIÈRE DE CHERCHER
Dans une recherche classique, l’utilisateur demande :
« récupération eau pluie »
Le moteur recherche des documents contenant les mots correspondants.
Dans une architecture relationnelle, la question peut devenir beaucoup plus riche :
« Comment réduire de 50 % la dépendance à l’eau potable d’un jardin soumis à des étés plus chauds ? »
Cette question mobilise potentiellement :
- climat ;
- précipitations ;
- sol ;
- stockage ;
- végétation ;
- irrigation ;
- consommation ;
- récupération ;
- dimensionnement ;
- capteurs ;
- automatisation ;
- coût ;
- maintenance ;
- résilience.
L’IA peut alors parcourir les relations entre ces connaissances.
Elle ne cherche plus seulement un article contenant le mot « eau ».
Elle cherche un ensemble cohérent de connaissances permettant de répondre à la problématique.
C’est une différence majeure.
6. L’IA N’A PAS BESOIN UNIQUEMENT DE PLUS DE CONTENU
Il existe une idée souvent implicite :
« Pour utiliser efficacement l’IA, il faut simplement produire énormément de contenu. »
Ce n’est pas suffisant.
Une grande quantité de documents mal structurés peut devenir difficile à exploiter.
Un corpus de 100 000 pages ne constitue pas automatiquement une intelligence documentaire.
La qualité de l’architecture devient essentielle.
Il faut savoir :
- ce qu’est chaque connaissance ;
- à quoi elle sert ;
- avec quoi elle est liée ;
- dans quelles conditions elle est valable ;
- comment elle a été obtenue ;
- si elle provient d’une mesure ;
- d’un calcul ;
- d’une expérience ;
- d’une hypothèse ;
- d’une publication ;
- d’un retour d’expérience ;
- d’une recommandation ;
- d’une réglementation ;
- d’un modèle.
Autrement dit :
la valeur d’une base de connaissances dépend autant de sa structure que de son volume.
7. UNE CONNAISSANCE DEVRAIT POSSÉDER SON CONTEXTE
Prenons une affirmation simple :
« Cette pompe consomme 2 kW. »
Information intéressante.
Mais insuffisante.
Dans quelles conditions ?
À quel débit ?
À quelle pression ?
Avec quel fluide ?
À quelle température ?
À quel rendement ?
Pendant combien de temps ?
Avec quelle régulation ?
Dans quelle configuration ?
La connaissance devient beaucoup plus utile lorsqu’elle possède son contexte.
On pourrait alors représenter :
ÉQUIPEMENT
→ puissance nominale
→ plage de fonctionnement
→ débit
→ pression
→ rendement
→ fluide
→ température
→ conditions d’installation
→ méthode de mesure
→ date de mesure
→ maintenance
→ durée de fonctionnement
→ historique
→ limites d’utilisation.
Cette logique transforme progressivement une simple fiche en objet de connaissance contextualisé.
8. LA DISTINCTION ENTRE FAIT, HYPOTHÈSE, MODÈLE ET RECOMMANDATION
Pour une architecture destinée à être utilisée par des humains et par des IA, cette distinction devient particulièrement importante.
Une base de connaissances devrait idéalement distinguer :
FAIT
Une donnée observée ou une information établie.
MESURE
Une valeur obtenue avec un protocole donné.
CALCUL
Un résultat obtenu à partir d’hypothèses et d’équations.
MODÈLE
Une représentation simplifiée du réel.
HYPOTHÈSE
Une proposition qui doit être vérifiée.
EXPÉRIENCE
Un résultat obtenu dans des conditions données.
RETOUR D’EXPÉRIENCE
Une connaissance issue de la pratique.
RECOMMANDATION
Une proposition d’action.
SCÉNARIO
Une représentation possible d’une évolution future.
DÉCISION
Un choix effectivement réalisé.
Cette granularité est essentielle.
Une IA qui confond une hypothèse avec un fait peut produire une réponse convaincante mais erronée.
Une IA qui distingue les niveaux de preuve peut au contraire devenir beaucoup plus utile.
9. LE GRAPHE DE CONNAISSANCES PEUT RELIER LE SAVOIR AU SAVOIR-FAIRE
C’est probablement l’un des enjeux les plus intéressants pour DEMETER-FB.
Une base classique peut expliquer :
« Qu’est-ce qu’une pompe centrifuge ? »
Une architecture plus avancée peut continuer :
Pourquoi utilise-t-on ce type de pompe ?
Puis :
Comment la choisir ?
Puis :
Comment la dimensionner ?
Puis :
Comment l’installer ?
Puis :
Comment mesurer son fonctionnement ?
Puis :
Comment détecter une dérive ?
Puis :
Comment la maintenir ?
Puis :
Quels sont les symptômes d’une cavitation ?
Puis :
Comment réduire sa consommation énergétique ?
Puis :
Comment automatiser son fonctionnement ?
Puis :
Comment intégrer les données dans un système IoT ?
Puis :
Comment utiliser l’IA pour détecter des anomalies ?
La connaissance devient alors un chemin vers la compétence.
Cela rejoint directement le principe :
DE LA CONNAISSANCE À LA CAPACITÉ.
10. UN SUJET PEUT ÊTRE RELIÉ À DES ÉQUIPEMENTS
Prenons un autre exemple :
IRRIGATION
Le sujet peut être relié à :
- goutte-à-goutte ;
- pompe ;
- filtre ;
- électrovanne ;
- réservoir ;
- capteur d’humidité ;
- débitmètre ;
- automate ;
- contrôleur ;
- station météo ;
- logiciel ;
- système IoT.
L’utilisateur peut ainsi passer :
connaissance → conception → équipement → installation → mesure → automatisation → amélioration.
C’est précisément ce qui permet de relier une base de connaissances à un écosystème d’ingénierie et de solutions.
11. UN SUJET PEUT AUSSI ÊTRE RELIÉ À DES COMPÉTENCES
Prenons :
AUTONOMIE HYDRIQUE
Les compétences nécessaires peuvent inclure :
- hydrologie ;
- hydraulique ;
- pompage ;
- traitement de l’eau ;
- irrigation ;
- agronomie ;
- pédologie ;
- instrumentation ;
- automatisme ;
- IoT ;
- analyse de données ;
- dimensionnement ;
- maintenance.
La base ne répond donc plus uniquement :
« Qu’est-ce que l’autonomie hydrique ? »
Elle peut également répondre :
« Quelles compétences dois-je acquérir pour concevoir un système d’autonomie hydrique ? »
La base devient alors progressivement un système de développement des compétences.
12. UN SUJET PEUT ÊTRE RELIÉ À DES RISQUES
Cette dimension est fondamentale.
Tout système possède des modes de défaillance.
Une installation hydraulique peut rencontrer :
- fuite ;
- colmatage ;
- surpression ;
- sous-pression ;
- cavitation ;
- contamination ;
- panne électrique ;
- panne de pompe ;
- défaut de capteur ;
- erreur de mesure.
Un jardin peut rencontrer :
- sécheresse ;
- gel tardif ;
- canicule ;
- ruissellement ;
- érosion ;
- maladie ;
- ravageurs ;
- incendie ;
- perte de biodiversité.
Une entreprise peut rencontrer :
- dépendance fournisseur ;
- rupture logistique ;
- panne informatique ;
- cyberattaque ;
- perte de compétence ;
- variation de prix ;
- dépendance énergétique ;
- changement réglementaire.
Le graphe permet alors de relier :
SYSTÈME → RISQUE → CAUSE → CONSÉQUENCE → INDICATEUR → MESURE → ACTION PRÉVENTIVE → PLAN DE SECOURS → RETOUR D’EXPÉRIENCE.
On passe de la connaissance descriptive à la connaissance opérationnelle.
13. LES EXPÉRIMENTATIONS DEVIENNENT DES NŒUDS DE CONNAISSANCE
Une expérience ne devrait pas rester isolée dans un carnet ou dans un article.
Elle peut devenir un objet relié au reste de la base.
Par exemple :
EXPÉRIMENTATION : paillage organique
Relations :
→ type de sol
→ épaisseur du paillage
→ climat
→ température
→ humidité
→ évaporation
→ croissance végétale
→ consommation d’eau
→ rendement
→ coût
→ durée
→ résultat
→ limites
→ recommandations.
Une expérimentation négative devient elle aussi utile.
Si une solution n’a pas fonctionné dans certaines conditions, cette information possède une valeur considérable.
Elle évite de reproduire l’erreur.
14. LE RETOUR D’EXPÉRIENCE DEVIENT UNE SOURCE D’INTELLIGENCE
Une véritable base de connaissances doit pouvoir apprendre du terrain.
C’est particulièrement important pour un écosystème comme DEMETER-FB.
Une idée peut être :
PUBLIÉE
↓
TESTÉE
↓
MESURÉE
↓
COMPARÉE
↓
VALIDÉE OU CORRIGÉE
↓
DOCUMENTÉE
↓
RELIÉE À D’AUTRES CONNAISSANCES
↓
TRANSMISE
Le terrain devient donc une boucle de validation.
La connaissance ne descend pas uniquement du théorique vers le pratique.
Elle remonte également :
PRATIQUE → MESURE → RETOUR D’EXPÉRIENCE → CONNAISSANCE → NOUVELLE CONCEPTION.
Cette boucle est essentielle pour éviter qu’une base de connaissances devienne simplement une encyclopédie théorique.
15. L’IA PEUT EXPLORER LES RELATIONS
C’est ici que l’intelligence artificielle devient particulièrement intéressante.
L’IA peut aider à identifier :
- des relations ;
- des doublons ;
- des contradictions ;
- des lacunes ;
- des sujets voisins ;
- des dépendances ;
- des parcours d’apprentissage ;
- des articles complémentaires ;
- des données nécessaires ;
- des hypothèses non vérifiées ;
- des connaissances anciennes ;
- des connaissances à mettre à jour.
Elle peut également transformer une question en parcours.
Par exemple :
« Je veux rendre mon exploitation plus résiliente aux sécheresses. »
L’IA pourrait identifier les domaines concernés :
Climat
→ précipitations
→ température
→ évapotranspiration
Sol
→ texture
→ matière organique
→ structure
→ profondeur
Eau
→ stockage
→ infiltration
→ irrigation
Végétation
→ espèces
→ diversité
→ enracinement
→ ombrage
Infrastructure
→ mares
→ cuves
→ noues
→ réseaux
Mesure
→ humidité
→ température
→ pluviométrie
Modélisation
→ bilan hydrique
→ scénarios climatiques
Décision
→ priorités
→ investissements
→ calendrier.
La réponse devient alors systémique.
16. L’IA PEUT DEVENIR UNE INTERFACE ENTRE L’UTILISATEUR ET LE GRAPHE
L’utilisateur n’a pas nécessairement besoin de connaître la structure interne de la base.
Il peut simplement poser une question.
Par exemple :
« Comment réduire la consommation énergétique de mon installation de pompage ? »
L’interface IA peut identifier les dimensions pertinentes :
MESURER
→ débit
→ pression
→ puissance
→ rendement.
MODÉLISER
→ courbe pompe
→ point de fonctionnement
→ pertes de charge.
DÉCIDER
→ réglage
→ remplacement
→ variation de vitesse.
CONCEVOIR
→ architecture hydraulique.
CONSTRUIRE
→ modification de l’installation.
AUTOMATISER
→ régulation.
APPRENDRE
→ comparaison avant/après.
ÉVOLUER
→ optimisation continue.
L’IA agit alors comme une interface conversationnelle vers l’architecture de connaissances.
17. LA BASE DE CONNAISSANCES DEVIENT UN SYSTÈME DE NAVIGATION
Dans une architecture traditionnelle :
ARTICLE A → ARTICLE B → ARTICLE C
Dans une architecture relationnelle :
QUESTION
↓
CONCEPTS
↓
RELATIONS
↓
MESURES
↓
MODÈLES
↓
RISQUES
↓
SOLUTIONS
↓
ÉQUIPEMENTS
↓
COMPÉTENCES
↓
EXPÉRIENCES
↓
SCÉNARIOS
↓
DÉCISIONS
La navigation devient multidimensionnelle.
L’utilisateur peut partir :
- d’un problème ;
- d’un équipement ;
- d’une mesure ;
- d’un risque ;
- d’un métier ;
- d’un objectif ;
- d’un système ;
- d’un domaine scientifique ;
- d’un projet.
Et rejoindre progressivement les mêmes connaissances par des chemins différents.
18. LE MÊME ARTICLE PEUT APPARTENIR À PLUSIEURS MONDES
Prenons un article sur :
LE CAPTEUR D’HUMIDITÉ DU SOL
Il appartient naturellement à :
MESURER
Mais il peut également être relié à :
MODÉLISER
pour alimenter un modèle hydrique.
DÉCIDER
pour déclencher une irrigation.
CONCEVOIR
pour choisir l’implantation du capteur.
CONSTRUIRE
pour installer le système.
AUTONOMISER
pour réduire les consommations d’eau.
RÉSISTER ET S’ADAPTER
pour gérer la sécheresse.
APPRENDRE
pour analyser les résultats.
ÉVOLUER
pour améliorer progressivement l’architecture.
La catégorisation unique devient donc trop restrictive.
Le graphe permet plusieurs appartenances simultanées.
19. LES CONNAISSANCES PEUVENT ÊTRE ORGANISÉES PAR OBJETS
Une architecture avancée peut identifier différents types d’objets.
Par exemple :
| Objet | Exemple |
|---|---|
| Concept | Évapotranspiration |
| Phénomène | Sécheresse |
| Mesure | Humidité du sol |
| Capteur | Sonde capacitive |
| Modèle | Bilan hydrique |
| Équipement | Pompe |
| Système | Réseau d’irrigation |
| Compétence | Dimensionnement hydraulique |
| Risque | Cavitation |
| Expérience | Test de paillage |
| Décision | Réduire l’irrigation |
| Scénario | Été 2050 plus chaud |
| Formation | Autonomie hydrique |
| Étude de cas | Jardin OMAKËYA |
| Retour d’expérience | Résultat terrain |
| Article | Dossier technique |
| Donnée | Pluviométrie |
| Indicateur | Consommation d’eau |
Les relations entre ces objets constituent progressivement le graphe.
20. UNE BASE DE CONNAISSANCES PEUT DEVENIR UNE CARTOGRAPHIE DU SAVOIR
Cette représentation ouvre une perspective particulièrement intéressante.
On peut visualiser :
- les domaines très documentés ;
- les domaines insuffisamment documentés ;
- les connexions fortes ;
- les connexions faibles ;
- les sujets centraux ;
- les sujets périphériques ;
- les dépendances critiques ;
- les compétences manquantes ;
- les expérimentations non documentées ;
- les contradictions ;
- les connaissances vieillissantes.
La cartographie devient alors un outil de pilotage éditorial.
Au lieu de demander :
« Quel nouvel article devons-nous publier ? »
on peut demander :
« Où sont nos lacunes de connaissances ? »
La question change complètement.
21. L’ARCHITECTURE PEUT AUSSI DÉTECTER LES CONNAISSANCES MANQUANTES
Supposons qu’un système comporte :
CAPTEUR
→ mesure humidité
→ déclenchement irrigation
Mais aucune connaissance n’existe sur :
- étalonnage ;
- dérive ;
- maintenance ;
- profondeur d’installation ;
- type de sol ;
- incertitude ;
- représentativité de la mesure.
Le graphe peut révéler ces trous.
Il devient alors possible de construire automatiquement une liste de connaissances à développer.
La base commence à devenir auto-diagnostique.
22. LE MAILLAGE INTERNE DEVIENT BEAUCOUP PLUS PUISSANT
L’objectif des 200, 500 ou plusieurs milliers d’articles ne consiste donc pas simplement à produire davantage de pages.
Il consiste à produire davantage de relations utiles.
Un article peut être relié à :
- 5 concepts ;
- 10 mesures ;
- 3 modèles ;
- 8 équipements ;
- 4 risques ;
- 6 compétences ;
- 3 formations ;
- 2 études de cas ;
- 5 articles connexes.
Un seul article peut donc générer plusieurs dizaines de relations.
Avec 1 000 articles, le nombre de connexions potentielles devient considérable.
C’est pourquoi :
LA VALEUR D’UNE BASE DE CONNAISSANCES NE DÉPEND PAS UNIQUEMENT DU NOMBRE DE DOCUMENTS.
Elle dépend également de la qualité de son réseau de relations.
23. L’OBJECTIF N’EST PAS DE CONSTRUIRE UN GRAPHE POUR LE PLAISIR DE CONSTRUIRE UN GRAPHE
Il faut cependant éviter un piège.
Un graphe gigantesque mais mal qualifié n’est pas nécessairement utile.
La relation doit avoir un sens.
Par exemple :
POMPE → UTILISE → ÉLECTRICITÉ
est une relation relativement simple.
Mais :
POMPE → INFLUENCE → AUTONOMIE
est beaucoup trop vague.
Il faut préciser :
POMPE → CONSOMME → ÉNERGIE
ÉNERGIE → CONTRIBUE À → COÛT D’EXPLOITATION
COÛT D’EXPLOITATION → INFLUENCE → AUTONOMIE ÉCONOMIQUE
La précision des relations augmente considérablement la valeur du graphe.
24. LES RELATIONS DEVRAIENT ÊTRE CONTEXTUALISÉES
Une relation peut dépendre :
- du contexte ;
- de l’échelle ;
- du climat ;
- du matériau ;
- de la technologie ;
- du temps ;
- de l’utilisateur ;
- de la réglementation ;
- du niveau de performance recherché.
Par exemple :
PAILLAGE → RÉDUIT → ÉVAPORATION
est généralement vrai dans de nombreuses conditions.
Mais l’importance de cet effet dépend :
- du type de paillage ;
- de son épaisseur ;
- du climat ;
- du vent ;
- du sol ;
- de l’humidité initiale ;
- de la végétation.
La connaissance devient donc plus robuste lorsqu’elle conserve son contexte.
25. LE TEMPS DEVIENT UNE DIMENSION DU GRAPHE
Une connaissance n’est pas nécessairement éternelle.
Une réglementation évolue.
Une technologie évolue.
Un équipement est remplacé.
Un modèle climatique est actualisé.
Une expérience peut être améliorée.
Une recommandation peut devenir obsolète.
Il devient donc pertinent d’associer aux connaissances :
- date de création ;
- date de validation ;
- date de mise à jour ;
- source ;
- version ;
- domaine de validité ;
- niveau de confiance.
Une base de connaissances devient ainsi temporelle.
Elle peut distinguer :
ce qui était vrai ;
ce qui est considéré comme valide aujourd’hui ;
ce qui est en cours d’évolution ;
ce qui pourrait devenir pertinent demain.
26. LE GRAPHE PEUT RELIER LE PRÉSENT AU FUTUR
C’est particulièrement important pour DEMETER-FB.
Une connaissance peut être reliée à :
- une tendance ;
- une évolution climatique ;
- une évolution technologique ;
- une évolution réglementaire ;
- une évolution économique ;
- une évolution démographique ;
- un scénario 2030 ;
- un scénario 2050 ;
- un scénario 2100.
Prenons :
EAU
Aujourd’hui :
→ disponibilité
→ consommation
→ infrastructure.
Demain :
→ stress hydrique
→ évolution des précipitations
→ nouvelles pratiques agricoles
→ stockage
→ réutilisation
→ automatisation.
Le graphe devient alors une architecture permettant de connecter :
CONNAISSANCE ACTUELLE → TENDANCE → SCÉNARIO → ADAPTATION.
27. L’IA PEUT IDENTIFIER DES CHEMINS DE CONNAISSANCE
Imaginons une question :
« Comment préparer un jardin à des étés plus chauds et plus secs ? »
L’IA peut rechercher plusieurs chemins.
CHEMIN 1 — L’EAU
Pluie → stockage → infiltration → sol → irrigation → mesure.
CHEMIN 2 — LE SOL
Matière organique → structure → porosité → rétention → disponibilité hydrique.
CHEMIN 3 — LA VÉGÉTATION
Espèces → enracinement → ombrage → transpiration → microclimat.
CHEMIN 4 — L’ARCHITECTURE
Haies → arbres → mares → buttes → murs → zones ombragées.
CHEMIN 5 — LA TECHNOLOGIE
Capteurs → IoT → données → automatisation → IA.
CHEMIN 6 — LA PROSPECTIVE
Climat actuel → tendances → scénarios → adaptation.
L’utilisateur obtient alors une réponse multidimensionnelle.
28. L’IA PEUT ÉGALEMENT PROPOSER DES QUESTIONS QUE L’UTILISATEUR N’A PAS POSÉES
C’est une capacité particulièrement intéressante.
Une question peut cacher plusieurs problèmes.
Quelqu’un demande :
« Quelle pompe dois-je acheter ? »
Une réponse purement commerciale peut donner :
« Voici cinq pompes. »
Une architecture systémique devrait plutôt demander :
- Quel débit ?
- Quelle hauteur manométrique ?
- Quel fluide ?
- Quelle température ?
- Quelle pression ?
- Quelle durée de fonctionnement ?
- Quelle variabilité ?
- Quelle énergie disponible ?
- Quelle régulation ?
- Quelle maintenance ?
- Quel niveau de redondance ?
- Quel coût total ?
- Quelle criticité ?
- Quelle évolution future ?
L’IA peut donc transformer une question de produit en question d’ingénierie.
C’est un changement majeur.
29. LA BASE PEUT DEVENIR UN ASSISTANT DE RAISONNEMENT
L’objectif ultime n’est pas nécessairement que l’IA donne immédiatement une réponse.
Elle peut également aider l’utilisateur à raisonner.
Par exemple :
« Voici les informations disponibles. »
« Voici celles qui manquent. »
« Voici les hypothèses nécessaires. »
« Voici les modèles applicables. »
« Voici les risques. »
« Voici les solutions possibles. »
« Voici les compromis. »
« Voici les mesures à effectuer avant de décider. »
« Voici les scénarios défavorables. »
« Voici les conséquences d’une erreur de dimensionnement. »
L’IA devient alors moins un moteur de réponses qu’un assistant d’intelligence décisionnelle.
30. L’HOMME RESTE AU CENTRE DE LA DÉCISION
Cette évolution ne signifie pas que l’IA doit décider seule.
Au contraire.
Une architecture de connaissances correctement conçue doit permettre de distinguer :
DONNÉES
↓
INFORMATIONS
↓
MODÈLES
↓
SCÉNARIOS
↓
OPTIONS
↓
ARBITRAGES
↓
DÉCISION HUMAINE
L’IA peut augmenter la capacité d’analyse.
Elle peut comparer.
Elle peut simuler.
Elle peut détecter.
Elle peut rechercher.
Elle peut synthétiser.
Mais les objectifs, les valeurs, les priorités et le niveau de risque acceptable doivent rester explicitement définis.
La véritable ambition devient :
HOMME + EXPÉRIENCE + DONNÉES + MESURE + MODÈLES + IA + RETOUR TERRAIN.
31. DEMETER-FB PEUT DEVENIR UNE INFRASTRUCTURE DE CONNAISSANCES POUR L’IA
Cette perspective est particulièrement importante.
Si DEMETER-FB possède :
- une architecture claire ;
- des familles ;
- des sous-familles ;
- des concepts ;
- des relations ;
- des articles ;
- des données ;
- des modèles ;
- des expériences ;
- des équipements ;
- des formations ;
- des études de cas ;
- des retours d’expérience ;
- des niveaux de confiance ;
- des dates ;
- des sources ;
- des scénarios ;
alors l’ensemble devient beaucoup plus exploitable par des systèmes d’intelligence artificielle.
Il ne s’agit plus seulement de demander à l’IA :
« Cherche-moi un article. »
On peut progressivement lui demander :
« Construis-moi le chemin de connaissances nécessaire pour résoudre ce problème. »
C’est beaucoup plus puissant.
32. LE SITE INTERNET DEVIENT ALORS LA FACE VISIBLE D’UNE ARCHITECTURE PLUS PROFONDE
L’utilisateur voit :
- des articles ;
- des dossiers ;
- des tableaux ;
- des formations ;
- des produits ;
- des études de cas.
Mais derrière cette interface peut exister une structure beaucoup plus riche :
CONCEPTS
↔
RELATIONS
↔
DONNÉES
↔
MODÈLES
↔
SOLUTIONS
↔
EXPÉRIENCES
↔
COMPÉTENCES
↔
RISQUES
↔
SCÉNARIOS
Le site devient alors la partie visible d’une véritable infrastructure de connaissance.
33. LES DIFFÉRENTS SITES DE L’ÉCOSYSTÈME PEUVENT ÉGALEMENT ÊTRE RELIÉS
Cette architecture ouvre une perspective particulièrement intéressante pour l’écosystème DEMETER-FB.
DEMETER-FB
Connaissance, recherche, compréhension, exploration.
EXAFLUIDS
Ingénierie, conception, calcul, dimensionnement.
ENVIROFLUIDES
Solutions techniques, équipements, fluides, instrumentation.
SITIMP
Distribution, accès aux équipements et solutions.
OMAKËYA
Agroclimatologie, autonomie, écosystèmes vivants, résilience.
APONA-MFB
Formation, transmission, acquisition de compétences.
Les relations deviennent alors naturelles.
Par exemple :
ARTICLE DEMETER-FB
↓
COMPÉTENCE
↓
FORMATION APONA-MFB
↓
PROBLÈME TECHNIQUE
↓
INGÉNIERIE EXAFLUIDS
↓
ÉQUIPEMENT ENVIROFLUIDES
↓
DISTRIBUTION SITIMP
↓
INSTALLATION
↓
MESURE
↓
RETOUR D’EXPÉRIENCE
↓
NOUVELLE CONNAISSANCE DEMETER-FB
Le système devient circulaire.
34. LE COMMERCE PEUT ÊTRE RECONNECTÉ À LA CONNAISSANCE
Cette logique permet également d’éviter une séparation artificielle entre contenu et commerce.
Un équipement ne devrait pas simplement apparaître comme :
« Produit à acheter. »
Il peut être relié à :
- son principe de fonctionnement ;
- ses applications ;
- ses limites ;
- ses conditions d’utilisation ;
- son dimensionnement ;
- ses mesures ;
- sa maintenance ;
- ses consommables ;
- ses risques ;
- ses formations ;
- ses études de cas ;
- ses alternatives ;
- son coût global.
Le produit devient ainsi un objet de connaissance.
La connaissance peut à son tour conduire vers le produit lorsqu’il est pertinent.
Cette logique est beaucoup plus forte qu’un simple catalogue.
35. LA FORMATION PEUT ÊTRE GÉNÉRÉE À PARTIR DU GRAPHE
Si les connaissances sont correctement reliées, il devient possible de créer des parcours pédagogiques.
Par exemple :
PARCOURS « AUTONOMIE HYDRIQUE »
Niveau 1
Comprendre le cycle de l’eau.
Niveau 2
Comprendre le sol.
Niveau 3
Mesurer la pluviométrie.
Niveau 4
Mesurer l’humidité.
Niveau 5
Calculer les besoins.
Niveau 6
Dimensionner le stockage.
Niveau 7
Concevoir le réseau.
Niveau 8
Installer les équipements.
Niveau 9
Automatiser.
Niveau 10
Analyser les résultats.
Niveau 11
Optimiser.
Niveau 12
Adapter au changement climatique.
Le graphe devient donc une infrastructure permettant de construire des parcours de compétences personnalisés.
36. LE GRAPHE PEUT DEVENIR UNE CARTE DES COMPÉTENCES
La même logique peut être appliquée aux métiers.
Un utilisateur pourrait demander :
« Quelles compétences dois-je acquérir pour devenir capable de concevoir une installation autonome en eau et énergie ? »
Le système pourrait identifier :
- hydraulique ;
- thermique ;
- électricité ;
- instrumentation ;
- métrologie ;
- automatisme ;
- IoT ;
- analyse de données ;
- dimensionnement ;
- maintenance ;
- agroclimatologie ;
- économie.
Puis construire un parcours.
On ne cherche plus simplement :
des articles.
On cherche :
les connaissances nécessaires pour devenir capable.
37. L’ARCHITECTURE PEUT DEVENIR PERSONNALISABLE
Deux utilisateurs peuvent poser la même question avec des besoins très différents.
Débutant
Il faut expliquer les concepts.
Technicien
Il faut fournir des procédures.
Ingénieur
Il faut fournir les modèles, calculs et hypothèses.
Dirigeant
Il faut fournir les coûts, risques et arbitrages.
Agriculteur
Il faut traduire la connaissance en décisions opérationnelles.
Formateur
Il faut fournir un parcours pédagogique.
Chercheur
Il faut fournir sources, hypothèses et limites.
L’IA peut utiliser le même graphe de connaissances mais produire des parcours différents.
C’est l’une des grandes forces d’une architecture bien structurée.
38. LE GRAPHE PEUT AUSSI SERVIR À L’INTELLIGENCE COLLECTIVE
Une connaissance peut être enrichie par :
- ingénieurs ;
- techniciens ;
- agronomes ;
- botanistes ;
- chercheurs ;
- utilisateurs ;
- formateurs ;
- fabricants ;
- exploitants ;
- entrepreneurs.
Chacun peut apporter une perspective différente.
Le graphe permet alors de conserver plusieurs dimensions autour du même objet.
Un ingénieur apporte le dimensionnement.
Un technicien apporte le retour terrain.
Un utilisateur apporte l’expérience quotidienne.
Un agronome apporte la connaissance biologique.
Un économiste apporte l’analyse des coûts.
Un climatologue apporte la prospective.
L’intelligence collective devient alors structurée.
39. LA QUALITÉ DEVIENT AUSSI UNE RELATION
Toutes les connaissances ne possèdent pas le même niveau de certitude.
Il devient donc pertinent d’indiquer :
- source ;
- auteur ;
- date ;
- méthode ;
- niveau de preuve ;
- reproductibilité ;
- conditions ;
- limites ;
- validation terrain.
Une connaissance peut ainsi être associée à un niveau de confiance.
Cela permet à l’IA de mieux distinguer :
CERTAIN
FORTEMENT ÉTABLI
PROBABLE
HYPOTHÈSE
À TESTER
Cette distinction est fondamentale dans les domaines complexes.
40. LA CONNAISSANCE DEVIENT TRAÇABLE
Une architecture avancée devrait idéalement permettre de remonter le chemin :
RÉPONSE
↓
CONNAISSANCE
↓
SOURCE
↓
DONNÉE
↓
MESURE
↓
MODÈLE
↓
HYPOTHÈSES
↓
CONDITIONS DE VALIDITÉ
L’utilisateur peut alors comprendre non seulement ce que le système répond, mais aussi pourquoi il répond cela.
La transparence devient une composante de l’intelligence.
41. LE GRAPHE PERMET DE RELIER LE MICRO AU MACRO
Prenons un capteur.
À petite échelle :
CAPTEUR → MESURE
À l’échelle du système :
MESURE → RÉGULATION
À l’échelle énergétique :
RÉGULATION → CONSOMMATION
À l’échelle économique :
CONSOMMATION → COÛT
À l’échelle environnementale :
CONSOMMATION → IMPACT
À l’échelle stratégique :
DÉPENDANCE → RISQUE
À l’échelle territoriale :
RESSOURCE → RÉSILIENCE
Un même objet peut donc participer à plusieurs niveaux d’analyse.
C’est exactement ce que doit permettre une architecture systémique.
42. LE GRAPHE PERMET AUSSI DE RELIER LES ÉCHELLES TEMPORELLES
Une décision prise aujourd’hui peut avoir des conséquences pendant :
- quelques heures ;
- quelques jours ;
- quelques années ;
- plusieurs décennies.
Prenons la plantation d’un arbre.
Aujourd’hui :
→ coût.
Dans cinq ans :
→ ombrage.
Dans quinze ans :
→ microclimat.
Dans trente ans :
→ stockage de carbone, habitat, biodiversité.
Dans cinquante ans :
→ structure paysagère.
Une architecture de connaissance peut donc relier :
DÉCISION PRÉSENTE → EFFET COURT TERME → EFFET MOYEN TERME → EFFET LONG TERME.
C’est particulièrement important pour l’agroclimatologie et la conception résiliente.
43. LA CONNAISSANCE DEVIENT UN SYSTÈME DYNAMIQUE
Une base traditionnelle tend à être perçue comme quelque chose de statique.
On ajoute des pages.
On corrige des pages.
On publie de nouveaux contenus.
Une architecture vivante fonctionne différemment.
Elle peut suivre :
QUESTION
↓
RECHERCHE
↓
CONNAISSANCE
↓
EXPÉRIMENTATION
↓
MESURE
↓
RETOUR
↓
MISE À JOUR
↓
NOUVELLE QUESTION
Le système apprend.
C’est pourquoi l’expression :
ENCYCLOPÉDIE VIVANTE
prend tout son sens.
44. LES 10 FAMILLES FORMENT ALORS UNE GRILLE D’INTELLIGENCE
Les dix familles ne sont plus seulement dix catégories éditoriales.
Elles deviennent dix manières complémentaires d’interroger un problème.
Pour n’importe quel sujet :
1. COMPRENDRE
Qu’est-ce qui se passe ?
2. MESURER
Comment savons-nous ce qui se passe ?
3. MODÉLISER
Comment pouvons-nous représenter le système ?
4. DÉCIDER
Quelle trajectoire choisir ?
5. CONCEVOIR
Comment transformer la décision en architecture ?
6. CONSTRUIRE
Comment la réaliser ?
7. AUTONOMISER
Comment réduire les dépendances ?
8. RÉSISTER ET S’ADAPTER
Que se passe-t-il lorsque les conditions changent ?
9. APPRENDRE
Que nous apprend l’expérience ?
10. ÉVOLUER
Comment transformer le système ?
Cette grille peut devenir une véritable grammaire de la connaissance.
45. UNE QUESTION PEUT ÊTRE TRANSFORMÉE EN GRAPHE
Prenons :
« Comment rendre une maison plus autonome ? »
Le graphe peut immédiatement ouvrir plusieurs branches.
EAU
→ pluie
→ stockage
→ filtration
→ consommation.
ÉNERGIE
→ solaire
→ chauffage
→ refroidissement
→ stockage.
THERMIQUE
→ isolation
→ inertie
→ ventilation
→ ombrage.
ALIMENTATION
→ jardin
→ verger
→ conservation.
DONNÉES
→ capteurs
→ IoT
→ automatisation.
ÉCONOMIE
→ investissement
→ coût global
→ retour.
RÉSILIENCE
→ panne
→ canicule
→ sécheresse
→ rupture d’approvisionnement.
La question « maison autonome » devient donc une exploration systémique.
46. LE CONCEPT D’AUTONOMIE SPHÉRIQUE S’INTÈGRE NATURELLEMENT AU GRAPHE
L’autonomie sphérique repose précisément sur l’idée que les domaines ne sont pas indépendants.
L’eau influence l’énergie.
L’énergie influence l’eau.
Le sol influence l’eau.
L’eau influence la végétation.
La végétation influence le microclimat.
Le microclimat influence l’énergie du bâtiment.
Les données permettent de mesurer ces interactions.
L’IA permet de les analyser.
L’économie influence les choix.
Les compétences conditionnent la capacité d’action.
Tout est relié.
Le graphe devient donc une représentation naturelle de l’autonomie sphérique.
47. LE GRAPHE PEUT AUSSI REPRÉSENTER LES DÉPENDANCES
L’autonomie ne consiste pas à tout produire soi-même.
Elle consiste notamment à comprendre ses dépendances critiques.
On peut représenter :
SYSTÈME
→ dépend de
FOURNISSEUR
→ dépend de
ÉNERGIE
→ dépend de
RÉSEAU
→ dépend de
INFRASTRUCTURE
→ dépend de
RESSOURCE
Cette cartographie permet d’identifier les points faibles.
Une entreprise peut ainsi découvrir qu’un composant apparemment banal constitue en réalité un point critique.
Une ferme peut découvrir qu’elle dépend fortement d’un seul approvisionnement.
Une maison peut découvrir que son autonomie énergétique dépend d’un équipement unique.
La connaissance devient alors un outil de gestion du risque.
48. LE GRAPHE PEUT DEVENIR UN OUTIL DE CONCEPTION
Une fois les relations connues, on peut aller plus loin.
Avant de construire un système, on peut explorer :
- ses dépendances ;
- ses interfaces ;
- ses risques ;
- ses flux ;
- ses coûts ;
- ses besoins en compétences ;
- ses possibilités d’évolution.
On peut alors comparer plusieurs architectures.
SOLUTION A
Simple.
Peu coûteuse.
Mais fortement dépendante.
SOLUTION B
Plus coûteuse.
Mais redondante.
SOLUTION C
Plus complexe.
Mais très évolutive.
Le graphe devient alors une aide à la conception.
49. DE LA BASE DE CONNAISSANCES AU JUMEAU NUMÉRIQUE DE CONNAISSANCE
Une perspective encore plus ambitieuse apparaît.
Un système réel possède :
- des composants ;
- des flux ;
- des capteurs ;
- des états ;
- des règles ;
- des historiques ;
- des scénarios.
Une architecture de connaissances possède :
- des concepts ;
- des relations ;
- des données ;
- des modèles ;
- des règles ;
- des expériences ;
- des scénarios.
La convergence des deux peut conduire à une forme de jumeau numérique de connaissance.
Le système réel fournit des données.
Le graphe fournit le contexte.
Les modèles fournissent l’interprétation.
L’IA fournit l’analyse.
L’humain fournit le jugement.
Le système apprend progressivement.
50. L’ARCHITECTURE PEUT DEVENIR PRÉDICTIVE
Lorsque suffisamment de relations sont établies, l’IA peut rechercher des signaux faibles.
Par exemple :
augmentation température
baisse humidité
augmentation consommation eau
baisse croissance végétale
peut indiquer :
stress hydrique émergent.
Dans l’industrie :
augmentation vibration
augmentation température palier
augmentation consommation
peut signaler :
dégradation progressive d’un équipement.
L’intérêt n’est pas seulement de connaître le présent.
C’est de pouvoir détecter une évolution avant qu’elle ne devienne une panne ou une crise.
51. L’ARCHITECTURE PEUT DEVENIR PRESCRIPTIVE
Après :
observer
et
prévoir
vient :
agir.
L’IA peut alors proposer :
- mesurer davantage ;
- modifier un réglage ;
- programmer une maintenance ;
- changer une stratégie d’irrigation ;
- modifier une conception ;
- tester une autre solution ;
- renforcer une redondance ;
- réduire une dépendance.
Mais une recommandation doit rester accompagnée de son contexte.
La question n’est pas :
« Que dit l’IA ? »
La question devient :
« Sur quelles connaissances, mesures, hypothèses et contraintes cette recommandation repose-t-elle ? »
52. LA BASE DE CONNAISSANCES DE DEMETER-FB PEUT DEVENIR UN SYSTÈME D’AIDE À LA DÉCISION
À terme, un utilisateur pourrait poser :
« Voici mon problème. »
Puis fournir :
- quelques mesures ;
- quelques contraintes ;
- quelques objectifs.
Le système pourrait alors produire :
DIAGNOSTIC
Ce que les données semblent indiquer.
INFORMATIONS MANQUANTES
Ce qu’il faut encore mesurer.
HYPOTHÈSES
Ce qui pourrait expliquer le problème.
MODÈLES
Les modèles pertinents.
OPTIONS
Les solutions possibles.
RISQUES
Les conséquences potentielles.
COMPROMIS
Les avantages et inconvénients.
PLAN D’ACTION
Les étapes proposées.
MESURES DE CONTRÔLE
Comment vérifier le résultat.
APPRENTISSAGE
Ce que l’expérience devra permettre d’améliorer.
On passe alors d’une base de connaissances à une véritable infrastructure d’intelligence augmentée.
53. MAIS L’ARCHITECTURE DOIT RESTER AUDITABLE
Plus une IA devient utile dans des décisions importantes, plus la traçabilité devient essentielle.
Il faut pouvoir répondre :
- D’où vient cette information ?
- Quelle donnée a été utilisée ?
- Quel modèle ?
- Quelle version ?
- Quelle hypothèse ?
- Quelle incertitude ?
- Quel niveau de confiance ?
- Quelle expérience ?
- Quelle date ?
- Quelles limites ?
L’architecture de connaissances doit donc être conçue non seulement pour être intelligente, mais aussi pour être vérifiable.
54. LES ARTICLES DEMETER-FB PEUVENT DEVENIR DES UNITÉS D’UN SYSTÈME PLUS GRAND
Un article n’est plus nécessairement une fin en soi.
Il peut être une porte d’entrée vers :
- des concepts ;
- des définitions ;
- des mesures ;
- des modèles ;
- des équipements ;
- des formations ;
- des études de cas ;
- des expériences ;
- des risques ;
- des scénarios.
Un article devient alors une interface pédagogique vers une structure beaucoup plus profonde.
C’est précisément ce qui permet de construire progressivement une architecture pouvant contenir :
des centaines de familles,
des milliers de sujets,
des dizaines de milliers de relations,
et potentiellement beaucoup plus.
55. L’OBJECTIF N’EST DONC PLUS « PLUS D’ARTICLES »
Il faut changer de métrique.
Une stratégie éditoriale traditionnelle peut mesurer :
- nombre d’articles ;
- nombre de visiteurs ;
- nombre de pages vues ;
- position SEO.
Ces indicateurs restent utiles.
Mais une architecture de connaissances peut également mesurer :
- nombre de concepts structurés ;
- nombre de relations ;
- nombre de parcours possibles ;
- nombre de compétences couvertes ;
- nombre de problèmes traitables ;
- nombre d’expériences documentées ;
- nombre de relations validées ;
- nombre de connaissances mises à jour ;
- nombre de domaines connectés.
Le véritable capital devient :
LA DENSITÉ INTELLIGENTE DU RÉSEAU DE CONNAISSANCES.
56. UNE ARCHITECTURE QUI PEUT GRANDIR SANS SE DÉSORGANISER
C’est probablement l’un des avantages les plus importants.
Si l’architecture est bien conçue, ajouter un nouvel article ne crée pas simplement une nouvelle page.
Cela crée potentiellement :
- de nouveaux concepts ;
- de nouvelles relations ;
- de nouvelles compétences ;
- de nouveaux parcours ;
- de nouvelles expériences ;
- de nouvelles solutions ;
- de nouvelles questions.
Chaque nouvelle connaissance peut enrichir plusieurs parties du système.
La croissance devient cumulative.
57. LE FUTUR DE DEMETER-FB POURRAIT ÊTRE CELUI D’UNE ENCYCLOPÉDIE INTERACTIVE
Imaginez un utilisateur qui arrive avec une question très simple :
« Comment économiser l’eau ? »
L’interface pourrait lui proposer :
COMPRENDRE
Pourquoi l’eau est-elle consommée ?
MESURER
Combien consommez-vous réellement ?
MODÉLISER
Quels sont vos besoins futurs ?
DÉCIDER
Quels postes prioriser ?
CONCEVOIR
Quelle architecture ?
CONSTRUIRE
Quels équipements ?
AUTONOMISER
Comment réduire les dépendances ?
RÉSISTER ET S’ADAPTER
Que faire pendant une sécheresse ?
APPRENDRE
Que montrent vos résultats ?
ÉVOLUER
Comment améliorer encore le système ?
Ce n’est plus une page web.
C’est un parcours intelligent dans la connaissance.
58. DE LA RECHERCHE PAR MOT-CLÉ À LA RECHERCHE PAR INTENTION
C’est probablement l’une des transformations les plus importantes apportées par l’IA.
Recherche classique :
« pompe irrigation »
Recherche sémantique :
« pompe adaptée à mon installation d’irrigation »
Recherche systémique :
« comment concevoir un système d’irrigation autonome pour un jardin soumis à des sécheresses estivales ? »
Recherche décisionnelle :
« quelle architecture offre le meilleur compromis entre investissement, consommation, maintenance et résilience ? »
La dernière question nécessite beaucoup plus que des mots-clés.
Elle nécessite des relations entre connaissances.
59. L’IA CHANGE DONC LA DÉFINITION MÊME D’UNE BASE DE CONNAISSANCES
Hier, une base pouvait être considérée comme :
un ensemble organisé de documents.
Demain, elle peut devenir :
un ensemble structuré de connaissances, de relations, de données, de modèles, d’expériences et de compétences, exploitable par les humains et par des systèmes d’intelligence artificielle.
La différence est considérable.
Le document reste important.
Mais il devient un élément d’une architecture plus vaste.
60. LA VÉRITABLE UNITÉ DE VALEUR N’EST PLUS L’ARTICLE
Dans une telle architecture, l’unité fondamentale devient progressivement :
LA RELATION PERTINENTE.
Parce qu’une connaissance isolée possède une valeur.
Mais une connaissance correctement reliée à :
- une mesure ;
- un modèle ;
- une décision ;
- une solution ;
- une compétence ;
- un risque ;
- une expérience ;
possède une valeur beaucoup plus importante.
La connaissance devient actionnable.
61. UNE NOUVELLE FORMULE POUR DEMETER-FB
On peut alors représenter l’évolution de la manière suivante :
ÉTAPE 1
DOCUMENTATION
Des articles.
↓
ÉTAPE 2
BASE DE CONNAISSANCES
Des articles organisés.
↓
ÉTAPE 3
ARCHITECTURE DE CONNAISSANCES
Des articles reliés.
↓
ÉTAPE 4
GRAPHE DE CONNAISSANCES
Des concepts, objets, données et relations.
↓
ÉTAPE 5
SYSTÈME DE COMPÉTENCES
Les connaissances deviennent des parcours d’apprentissage.
↓
ÉTAPE 6
INTELLIGENCE AUGMENTÉE
L’IA aide à explorer, comparer, raisonner et décider.
↓
ÉTAPE 7
SYSTÈME APPRENANT
Les expériences et retours enrichissent continuellement l’architecture.
C’est cette trajectoire qui donne tout son potentiel au projet.
62. LE CYCLE COMPLET
L’architecture DEMETER-FB peut finalement être représentée comme une boucle :
QUESTION
↓
CONNAISSANCE
↓
COMPRÉHENSION
↓
MESURE
↓
MODÉLISATION
↓
DÉCISION
↓
CONCEPTION
↓
CONSTRUCTION
↓
UTILISATION
↓
EXPÉRIENCE
↓
RETOUR
↓
APPRENTISSAGE
↓
MISE À JOUR DE LA CONNAISSANCE
↓
NOUVELLE QUESTION
Et l’IA intervient transversalement à chacune de ces étapes.
Elle peut :
- rechercher ;
- classer ;
- relier ;
- comparer ;
- résumer ;
- détecter ;
- modéliser ;
- simuler ;
- questionner ;
- expliquer ;
- personnaliser ;
- apprendre des retours.
Mais le système conserve une boucle essentielle :
RÉEL → MESURE → CONNAISSANCE → ACTION → RÉEL.
63. DE L’INTELLIGENCE ARTIFICIELLE À L’INTELLIGENCE COLLECTIVE AUGMENTÉE
Le véritable objectif n’est donc pas simplement :
« Mettre de l’IA sur un site. »
Ce serait trop réducteur.
L’objectif est de construire une architecture dans laquelle :
les connaissances humaines
les données
les mesures
les modèles
les expériences
les compétences
les outils
l’intelligence artificielle
le retour du terrain
peuvent interagir.
L’IA devient alors une couche d’intelligence supplémentaire au-dessus d’un patrimoine de connaissances structuré.
64. DEMETER-FB PEUT AINSI PASSER D’UNE BASE DE CONNAISSANCES À UNE INFRASTRUCTURE D’INTELLIGENCE
C’est probablement la formulation la plus importante.
DEMETER-FB ne serait plus seulement :
un site qui contient des articles.
Il pourrait devenir :
une architecture qui relie les connaissances, les compétences, les données, les expériences, les outils et les décisions.
Et cette architecture pourrait servir :
- au particulier ;
- au professionnel ;
- au technicien ;
- à l’ingénieur ;
- à l’agriculteur ;
- au formateur ;
- à l’entreprise ;
- au territoire ;
- à l’IA elle-même.
65. UNE ARCHITECTURE CONÇUE POUR 2030, 2050 ET AU-DELÀ
Cette conception prend encore plus de sens dans un monde où les connaissances évoluent rapidement.
Les technologies changent.
Les métiers changent.
Le climat change.
Les réglementations changent.
Les modèles économiques changent.
Les systèmes énergétiques changent.
L’intelligence artificielle change rapidement.
Les compétences nécessaires évoluent.
Une base de connaissances figée finit inévitablement par vieillir.
Une architecture relationnelle peut au contraire être conçue pour évoluer.
Elle peut :
- intégrer de nouveaux concepts ;
- remplacer des technologies ;
- actualiser des modèles ;
- documenter de nouvelles expériences ;
- ajouter de nouveaux scénarios ;
- connecter de nouveaux domaines ;
- faire évoluer les compétences.
Elle devient une infrastructure conçue non pas seulement pour aujourd’hui, mais pour apprendre avec le temps.
66. LES DIX FAMILLES DEVIENNENT UNE GRILLE DE LECTURE DU FUTUR
Face à une nouvelle technologie, on peut demander :
COMPRENDRE — Que fait-elle ?
MESURER — Comment vérifier ses performances ?
MODÉLISER — Comment prévoir ses effets ?
DÉCIDER — Quand l’utiliser ?
CONCEVOIR — Comment l’intégrer ?
CONSTRUIRE — Comment la déployer ?
AUTONOMISER — Quelles dépendances réduit-elle ?
RÉSISTER ET S’ADAPTER — Que se passe-t-il lorsqu’elle tombe en panne ou devient obsolète ?
APPRENDRE — Que nous apprend son utilisation ?
ÉVOLUER — Comment préparer la prochaine génération ?
Cette grille reste pertinente même lorsque les technologies changent.
C’est précisément ce qui la rend durable.
67. LA GRANDE TRANSFORMATION
Nous pouvons finalement résumer toute cette évolution en une succession simple.
AVANT
Des documents.
PUIS
Des catégories.
PUIS
Des articles reliés.
PUIS
Des concepts reliés.
PUIS
Des données et des modèles reliés.
PUIS
Des compétences reliées.
PUIS
Des expériences reliées.
PUIS
Des décisions reliées à leurs conséquences.
PUIS
Une intelligence artificielle capable d’explorer cette architecture.
ET ENFIN
Un système de connaissance capable d’apprendre de son propre usage.
C’est là que le concept d’encyclopédie vivante prend une nouvelle dimension.
68. LA BASE DE CONNAISSANCES DE DEMAIN SERA UN RÉSEAU
Une base de connaissances classique cherche principalement à stocker et retrouver de l’information.
Une base de connaissances structurée selon les dix grandes familles de DEMETER-FB peut aller beaucoup plus loin.
Elle peut relier :
les phénomènes,
les concepts,
les mesures,
les modèles,
les décisions,
les conceptions,
les équipements,
les compétences,
les risques,
les expérimentations,
les retours d’expérience,
les scénarios futurs.
Elle devient alors progressivement un graphe de connaissances.
Et ce graphe devient particulièrement puissant lorsqu’une intelligence artificielle peut l’explorer.
L’IA ne se contente plus de chercher un document.
Elle peut rechercher des relations.
Elle peut identifier des chemins.
Elle peut détecter des lacunes.
Elle peut rapprocher des domaines.
Elle peut proposer des parcours d’apprentissage.
Elle peut comparer des solutions.
Elle peut identifier les informations manquantes.
Elle peut relier théorie et pratique.
Elle peut aider à transformer une question en méthode.
Elle peut aider à transformer une connaissance en compétence.
Elle peut aider à transformer une compétence en décision.
Et la décision peut revenir vers le réel :
CONCEVOIR → CONSTRUIRE → MESURER → EXPÉRIMENTER → APPRENDRE → AMÉLIORER.
C’est cette boucle qui peut faire de DEMETER-FB beaucoup plus qu’une base de connaissances.
DEMETER-FB
DE LA BASE DE CONNAISSANCES AU GRAPHE DE CONNAISSANCES
DE L’ARTICLE À LA RELATION.
DE LA RELATION À LA COMPÉTENCE.
DE LA COMPÉTENCE À LA DÉCISION.
DE LA DÉCISION À L’ACTION.
DE L’ACTION À L’EXPÉRIENCE.
DE L’EXPÉRIENCE À UNE NOUVELLE CONNAISSANCE.
Et lorsque l’intelligence artificielle peut explorer l’ensemble de ces relations :
LA BASE DE CONNAISSANCES NE SE CONTENTE PLUS DE CONTENIR DU SAVOIR.
ELLE DEVIENT UNE INFRASTRUCTURE POUR RELIER, EXPLORER, APPRENDRE, RAISONNER ET ÉVOLUER.
FAQ — GRAPHE DE CONNAISSANCES, IA ET DEMETER-FB
Qu’est-ce qu’un graphe de connaissances ?
Un graphe de connaissances représente des objets de connaissance et les relations qui existent entre eux. Contrairement à une organisation uniquement basée sur des catégories et des mots-clés, il permet de représenter explicitement les connexions entre concepts, mesures, modèles, équipements, compétences, risques, expériences et décisions.
Pourquoi un graphe est-il intéressant pour l’intelligence artificielle ?
Parce qu’il fournit à l’IA une structure permettant d’explorer les relations entre les connaissances. L’IA peut ainsi rechercher non seulement des documents correspondant à une requête, mais également des chemins de connaissances pertinents pour résoudre une problématique.
Un graphe de connaissances remplace-t-il les articles ?
Non. Les articles restent essentiels pour expliquer et transmettre les connaissances. Le graphe constitue une couche relationnelle supplémentaire permettant de relier les contenus entre eux.
Pourquoi les dix familles DEMETER-FB sont-elles importantes ?
Elles fournissent une grille transversale permettant d’aborder un problème depuis sa compréhension jusqu’à son évolution : comprendre, mesurer, modéliser, décider, concevoir, construire, autonomiser, résister et s’adapter, apprendre, évoluer.
Peut-on relier un même sujet à plusieurs familles ?
Oui. C’est même l’un des principaux intérêts de l’architecture. Un capteur, par exemple, relève de la mesure mais peut également intervenir dans la modélisation, la décision, l’automatisation, l’autonomie, la résilience et l’apprentissage.
Le graphe peut-il intégrer des expériences de terrain ?
Oui. Une expérimentation peut être reliée à ses conditions, mesures, résultats, limites, conclusions et recommandations. Elle devient alors une véritable unité de connaissance.
L’IA peut-elle décider seule ?
Elle peut contribuer à l’analyse, à la comparaison, à la simulation et à la formulation de recommandations. Mais les objectifs, les valeurs, les priorités et le niveau de risque acceptable doivent rester explicitement définis par les responsables humains.
Le graphe peut-il aider à construire des formations ?
Oui. Les relations entre concepts, compétences, méthodes, équipements et expériences peuvent servir à générer des parcours pédagogiques adaptés au niveau et aux objectifs de l’apprenant.
Peut-il relier les connaissances aux équipements ?
Oui. Un équipement peut être relié à son principe, son dimensionnement, ses applications, ses conditions de fonctionnement, ses mesures, sa maintenance, ses risques, ses formations et ses alternatives.
Peut-il également intégrer le changement climatique ?
Oui. Les connaissances peuvent être reliées à des scénarios climatiques, des risques, des adaptations, des horizons temporels et des stratégies de résilience.
Quel est l’objectif final ?
L’objectif n’est pas simplement de disposer d’un plus grand nombre d’articles.
Il est de construire une architecture capable de transformer progressivement :
l’information en connaissance,
la connaissance en compréhension,
la compréhension en compétence,
la compétence en capacité d’action,
l’action en expérience,
et l’expérience en nouvelle connaissance.
L’intelligence artificielle transforme profondément la manière de concevoir une base de connaissances. En passant d’une organisation par mots-clés à une architecture fondée sur les relations entre concepts, mesures, modèles, décisions, équipements, compétences, risques et expériences, DEMETER-FB peut progressivement construire un véritable graphe de connaissances : une infrastructure capable de relier les savoirs, faciliter l’apprentissage, accompagner la décision et faire évoluer continuellement la connaissance.
NE CONSTRUISEZ PAS SIMPLEMENT UNE BASE QUI CONTIENT DES CONNAISSANCES.
CONSTRUISEZ UNE ARCHITECTURE QUI SAIT LES RELIER.
DES ARTICLES.
DES CONCEPTS.
DES MESURES.
DES MODÈLES.
DES ÉQUIPEMENTS.
DES COMPÉTENCES.
DES RISQUES.
DES EXPÉRIENCES.
DES DÉCISIONS.
DES SCÉNARIOS.
DES RELATIONS.
DE LA CONNAISSANCE AU GRAPHE.
DU GRAPHE À L’INTELLIGENCE.
DE L’INTELLIGENCE À LA CAPACITÉ D’AGIR.
DEMETER-FB — UNE ARCHITECTURE DE CONNAISSANCES CONÇUE POUR APPRENDRE, RELIER ET ÉVOLUER.
OBSERVER → COMPRENDRE → MESURER → MODÉLISER → CONCEVOIR → CONSTRUIRE → AUTOMATISER → EXPÉRIMENTER → APPRENDRE → TRANSMETTRE → ÉVOLUER
Elle a l’avantage d’être parfaitement compréhensible par un particulier, un agriculteur, un ingénieur, un chef d’entreprise, un étudiant ou une collectivité.