Les ontologies font actuellement un retour en force. On attend d’elles qu’elles relèvent les défis d’accès aux données pour les agents IA en structurant les connaissances disponibles dans l’entreprise et en les rendant utilisables. Avec les graphes de connaissances et les graphes de propriétés étiquetés, elles constituent les trois éléments centraux de la modélisation sémantique. Mais alors que les ontologies définissent des schémas et des règles et que les graphes représentent des relations, de nombreuses implémentations restent trop complexes et ne sont utilisées que de manière limitée dans la pratique.
Cependant, dans le contexte de l’IA, ces concepts sont souvent réinventés avec une complexité exagérée. Des efforts considérables ont été déployés pour développer des modèles sophistiqués basés sur des graphiques à l’aide de technologies telles que le Web Ontology Language (OWL), le Resource Description Framework (RDF) et SPARQL (SPARQL Protocol and RDF Query Language). Bien que ces approches soient scientifiquement fondées, elles n’ont eu qu’une application pratique limitée en dehors des domaines spécialisés. À l’exception notable de la gestion du cycle de vie des produits (PLM), de la modélisation CAO avancée ou du graphe de connaissances de la mode de Zalando.
L’ontologie pragmatique adopte une approche différente, moins académique. L’accent est mis sur la mise à disposition d’une couche sémantique qui fonctionne de manière fiable dans la plupart des scénarios d’entreprise réels et qui soutient aussi bien les agents IA que les utilisateurs humains.
Cette approche ne nécessite pas d’efforts théoriques ou techniques inutiles, mais elle reproduit l’interconnexion, les relations et la sémantique des données. De cette manière, elle permet une génération assistée par ontologie (Ontology Augmented Generation, OAG) simple et efficace.
On peut atteindre l’ontologie pragmatique par six principes.
Les bases de données relationnelles constituent toujours l’épine dorsale de l’informatique d’entreprise. Hormis quelques exceptions pour des cas d’utilisation spécifiques, la plupart des systèmes d’exploitation sont basés sur la technologie relationnelle.
L’ontologie pragmatique s’appuie sur l’informatique d’entreprise établie en utilisant des principes relationnel-objet plutôt que des bases de données de graphes ou des mémoires RDF. Même si certaines requêtes en cascade (multi-hop) qui en découlent sont un peu plus complexes, cette approche permet une implémentation plus rapide, des structures plus claires et une meilleure adaptation aux architectures existantes. Les technologies relationnel-objet modernes prennent également en charge des types de données étendus, tels que les encapsulations sémantiques. Dans la pratique, les avantages pratiques l’emportent donc sur les restrictions théoriques.
Quel est le rôle de NoSQL dans ce contexte ? Il peut servir de voie médiane flexible, mais avec des restrictions. Nous avons certes pu créer de la valeur ajoutée avec les bases de données NoSQL et les moteurs de recherche d’entreprise, mais des problèmes tels que les jointures rendent ces solutions moins attractives quand on travaille avec des volumes de données en réseau importants. De plus, des restrictions de schéma apparaissent souvent au fil du temps en raison de la logique commerciale, ce qui relativise l’avantage de flexibilité de NoSQL. C’est pourquoi nous considérons que cette approche n’a qu’une utilité limitée à long terme.
L’ontologie pragmatique est conçue pour être accessible aussi bien aux analystes, aux ingénieurs et aux utilisateurs professionnels. Elle constitue la base commune sur laquelle s’appuient les tableaux de bord, les rapports et les applications. Les objets, les relations et les définitions sont transparents, peuvent faire l’objet de recherches et sont structurés de manière compréhensible. Cela crée une compréhension commune entre les agents IA et les acteurs humains, réduit les ambiguïtés et renforce la confiance dans les processus de décision automatisés.
L’ontologie pragmatique n’est pas un lac de données supplémentaire et ne centralise pas physiquement les données. Au lieu de cela, elle virtualise les données sur des systèmes distribués et tient compte du fait qu’aucune plateforme ne peut répondre à elle seule à toutes les exigences. Les données restent dans les systèmes d’exploitation, les bases de données transactionnelles, les lacs de données existants, les lakehouses, les entrepôts de données et les maillages de données. L’ontologie relie ces sources entre elles afin d’offrir une vision sémantique unifiée sans avoir à copier les données. Cela permet une introduction progressive et une réécriture des données, car de nombreuses charges de travail basées sur des agents sont pilotées par OLTP. La mise en cache ou la matérialisation n’est utilisée qu’en cas de besoin à des fins analytiques, afin de ne pas surcharger les systèmes sources et de suivre un modèle similaire au CQRS.
L’ontologie pragmatique sert de couche sémantique opérationnelle et réalisable, et pas seulement de répertoire descriptif. Alors que les catalogues de données se concentrent sur la documentation des jeux de données, des schémas, des flux de données et des responsabilités, l’ontologie pragmatique définit des objets de domaine et des relations qui peuvent être utilisés directement par les humains et les agents IA lors de l’exécution.
Les relations entre objets sont décrites en langage naturel et non sous forme de hiérarchies de classes formelles. L’objectif est la clarté et la facilité d’utilisation, pas l’exhaustivité théorique. En même temps, on reconnaît que la réalité des entreprises est complexe et ne peut pas toujours être représentée par un modèle entièrement cohérent.
Les structures héritées profondes et complexes sont délibérément évitées, car les hiérarchies de classes étendues sont difficiles à concevoir et à entretenir. Dans les systèmes d’IA, les grands modèles de langage (Large Language Models, LLM) disposent déjà de connaissances sémantiques étendues grâce à un pré-apprentissage, ce qui rend une modélisation hiérarchique explicite superflue dans de nombreux cas pratiques. Grâce à la représentation de la sémantique en langage naturel, l’ontologie pragmatique reste compréhensible pour les humains et interprétable pour l’IA.
L’ontologie pragmatique ne cherche pas à créer un modèle unique et universel pour les données d’entreprise. Les grands modèles monolithiques entité-association (EA) qui visent à tout uniformiser, se sont toujours avérés difficiles à maîtriser dans la pratique. On trouve à l’opposé une approche orientée domaine dans laquelle des modèles indépendants sont créés pour des domaines et des objectifs spécifiques qui coexistent sans être enfermés dans un cadre unique.
L’ontologie pragmatique se développe progressivement. Elle a été conçue plutôt pour servir de base à des cas d’usage concrets que dans l’optique d’une exhaustivité abstraite. De nouveaux objets, relations et définitions sont ajoutés selon les besoins. Cette approche additive garantit une création de valeur rapide tout en préservant la cohérence de l’architecture. Au fil du temps, la couche sémantique se développe de manière organique – guidée par des exigences réelles, validée par l’application pratique et continuellement adaptée aux besoins tant des humains que de l’IA. Il ne s’agit pas d’un projet informatique de grande envergure de plusieurs années, mais d’une solution qui crée progressivement de la valeur ajoutée. Et oui, même si cela peut paraître un peu chaotique : d’après notre expérience, un peu de chaos sain est justement le facteur décisif pour faire des cas d’usage un succès.
Une mise en œuvre possible de ces principes peut prendre la forme d’une architecture à cinq niveaux, même si d’autres mises en œuvre sont également envisageables. Dans ce modèle à plusieurs couches, l’architecture se compose, de haut en bas, des cinq niveaux ou couches suivants : L1 – niveau de l’interaction, L2 – niveau d’accès sémantique, L3 – niveau de base de l’ontologie, L4 – niveau d’exécution et L5 – niveau des sources de données.
Ce niveau s’adresse en premier lieu aux utilisateurs humains qui interagissent avec le système. Il comprend les outils de business intelligence, les applications et les ordinateurs portables, ainsi que, en particulier, les vues standardisées, graphiques et accessibles à l’homme sur les objets liés (à proprement parler, ce niveau peut être considéré comme étant en dehors de l’ontologie).
Ce niveau fait office de point d’entrée contrôlé ou de couche API pour le système. Il met à disposition des données et des opérations via des interfaces courantes telles que SQL, REST, GraphQL et MCP. Ce niveau est compétent pour les aspects de sécurité tels que l’autorisation, les contrôles selon les directives et la limitation du débit, et garantit que l’accès est sécurisé et contrôlé. Les accès en écriture se font principalement par le biais de serveurs MCP ou de requêtes SQL.
C’est ici qu’est ancrée l’importance technique. Ce niveau définit les objets du domaine (par exemple les clients, les commandes ou les incidents), décrit les relations en langage naturel, mappe ces concepts sur les systèmes sources sous-jacents et détermine la manière dont les accès en écriture et les mises à jour doivent être effectués. Il fait en quelque sorte office de traducteur entre les intentions humaines ou celles de l’IA et la mise en œuvre technique.
La couche de virtualisation et d’exécution, dans laquelle a lieu l’exécution effective des requêtes. Elle prend en charge la fédération des requêtes sur plusieurs systèmes, utilise des modèles tels que CQRS, la mise en cache et la matérialisation pour optimiser les performances et transfère les transactions de manière ciblée en fonction de l’opération et de la source de données.
Au niveau le plus bas se trouvent les systèmes sources eux-mêmes. Il s’agit des systèmes opérationnels (OLTP), des entrepôts de données analytiques ou des lacs de données, ainsi que des API SaaS externes, y compris REST (à proprement parler, ce niveau peut également être considéré comme étant en dehors de l’ontologie).
Globalement, le flux de données est bidirectionnel : les requêtes descendent des humains et des agents IA vers les systèmes sources, tandis que les données et les résultats remontent.
Pour résumer, l’ontologie pragmatique est une couche sémantique relationnel-objet orientée vers la pratique, conçue à la fois pour les agents IA et pour les humains. Elle accepte délibérément des compromis au profit de la facilité d’utilisation, de la vitesse et de l’adéquation opérationnelle. Au lieu de s’appuyer sur des modèles complexes basés sur des graphiques, des mémoires centralisées ou des modèles d’entreprise monolithiques, elle virtualise les données distribuées à travers les systèmes existants et décrit les relations en langage naturel. Ses modèles basés sur des domaines et orientés vers les cas d’utilisation évoluent de manière incrémentielle, ce qui permet une mise en œuvre plus rapide et une valeur ajoutée mesurable dans la pratique.
Cette approche ne prétend pas être parfaite sur le plan théorique et ne couvre pas tous les cas marginaux. Les ontologies basées sur des graphes peuvent porter leurs fruits dans certains contextes, et il n’existe pas de solution unique. Toutefois, en s’appuyant sur les structures informatiques existantes des entreprises et en utilisant les capacités sémantiques des grands modèles de langage (LLM), l’ontologie pragmatique offre une base évolutive, compréhensible et pratique pour la sémantique d’entreprise. Dans la pratique, un certain degré d’imperfection contrôlée, qu’on peut appeler aussi de « chaos productif », peut être un facteur de réussite décisif.
