Knowledge Engineering : transformer la connaissance en intelligence exploitable

Les organisations disposent aujourd’hui d’une quantité considérable de données, de documents et d’expertise humaine.

Pourtant, posséder de l’information ne signifie pas nécessairement disposer d’une connaissance réellement exploitable.

Un technicien expérimenté sait reconnaître une panne à partir de quelques signes. Un juriste sait relier une situation particulière à une règle. Un médecin interprète des symptômes en fonction du contexte. Un professionnel sait souvent prendre une bonne décision sans pouvoir expliquer immédiatement toutes les connaissances qu’il mobilise.

Le Knowledge Engineering, ou ingénierie des connaissances, cherche à identifier ces connaissances, à les rendre explicites, à les structurer et à les représenter de manière suffisamment précise pour qu’elles puissent être utilisées par des humains, des logiciels ou des systèmes d’intelligence artificielle.

Le Knowledge Engineering organise le passage entre ce que les humains savent et ce que les systèmes peuvent réellement exploiter.

Il ne consiste donc pas uniquement à stocker des documents ou à créer une base de données. Il s’intéresse au sens des informations, aux concepts d’un domaine, aux relations qui les unissent, aux règles de raisonnement et aux conditions dans lesquelles une connaissance peut être utilisée.

Qu’est-ce que le Knowledge Engineering ?

Le Knowledge Engineering est la discipline qui permet d’acquérir, de formaliser, de représenter, de valider et de maintenir les connaissances utilisées par un système informatique.

Cette discipline peut mobiliser :

l’expertise humaine ;
les documents ;
les bases de données ;
les règles métier ;
les taxonomies ;
les ontologies ;
les graphes de connaissances ;
les systèmes experts ;
les modèles de langage ;
les architectures RAG et GraphRAG.

Son objectif est de transformer une connaissance parfois dispersée, implicite ou ambiguë en une structure cohérente et réutilisable.

Un système d’ingénierie des connaissances doit notamment pouvoir répondre à plusieurs questions :

Quels sont les concepts importants du domaine ?
Comment ces concepts doivent-ils être définis ?
Quelles relations existent entre eux ?
Quelles règles permettent de produire une conclusion ?
Quelles exceptions doivent être prises en compte ?
Quelles sont les sources utilisées ?
Comment vérifier la cohérence des connaissances ?
Comment maintenir ces connaissances lorsqu’elles évoluent ?

De la donnée à la connaissance

Pour comprendre l’ingénierie des connaissances, il faut commencer par distinguer trois notions fondamentales : la donnée, l’information et la connaissance.

La donnée

Une donnée est un élément enregistré sans interprétation suffisante.

Exemples :

38,5
Toulouse
Erreur 504
12 juillet 2026

Isolée, une donnée ne permet pas toujours de comprendre ce qu’elle représente.

L’information

Une information est une donnée replacée dans un contexte.

La température corporelle du patient est de 38,5 °C.

Le serveur a renvoyé une erreur HTTP 504.

Le contrat expire le 12 juillet 2026.

Le contexte rend la donnée compréhensible.

La connaissance

Une connaissance permet d’interpréter une information, de la relier à d’autres éléments et éventuellement d’agir.

Une température corporelle de 38,5 °C correspond généralement à un état fébrile.

Une erreur HTTP 504 indique généralement qu’un serveur intermédiaire n’a pas reçu de réponse suffisamment rapidement.

La connaissance permet donc de passer de l’observation à l’interprétation, puis de l’interprétation à la décision.

La progression peut être résumée ainsi :

Donnée
  ↓ contextualisation
Information
  ↓ interprétation
Connaissance
  ↓ application
Décision ou action

Comprendre la différence entre donnée, information et connaissance

De l’expertise humaine à un système de connaissances

L’ingénierie des connaissances organise un processus de transformation.

Experts, documents et données
              ↓
Acquisition des connaissances
              ↓
Définition des concepts
              ↓
Relations, règles et contraintes
              ↓
Ontologie ou modèle de connaissances
              ↓
Base ou graphe de connaissances
              ↓
Recherche, raisonnement ou intelligence artificielle

Ce processus ne commence pas par le choix d’un logiciel. Il commence par un problème réel.

Le système doit-il :

répondre à une question ;
retrouver une information ;
expliquer une décision ;
recommander une action ;
détecter une anomalie ;
vérifier une conformité ;
relier plusieurs documents ;
assister un professionnel ?

La représentation des connaissances doit toujours être conçue en fonction de ce que le système devra réellement accomplir.

1. Acquérir les connaissances

La première étape consiste à identifier les connaissances utiles.

Elles peuvent provenir :

d’experts métier ;
de manuels ;
de procédures ;
de rapports ;
de normes ;
de contrats ;
de bases de données ;
de systèmes existants ;
de l’observation du travail réel.

Une difficulté importante réside dans la distinction entre connaissance explicite et connaissance tacite.

La connaissance explicite

Une connaissance explicite peut être écrite, transmise ou enregistrée.

Exemples :

une procédure ;
une définition ;
une règle ;
une norme ;
une fiche technique ;
un tableau ;
une formule.

La connaissance tacite

Une connaissance tacite repose sur l’expérience, l’intuition professionnelle, les habitudes et les perceptions.

Un professionnel expérimenté peut reconnaître une situation sans être capable d’expliquer immédiatement tous les critères qu’il utilise.

L’ingénieur des connaissances doit alors conduire des entretiens, analyser des cas, observer les pratiques et faire expliciter les raisonnements implicites.

Comprendre la différence entre connaissance tacite et connaissance explicite

Découvrir les méthodes d’acquisition des connaissances

2. Définir les concepts

Une fois les connaissances recueillies, il faut identifier les concepts qui structurent le domaine.

Dans un système consacré à la formation professionnelle, les concepts peuvent être :

formation ;
compétence ;
participant ;
formateur ;
prérequis ;
certification ;
organisme ;
session.

Chaque concept doit être défini précisément.

Par exemple, le mot « formation » peut désigner :

un programme pédagogique ;
un produit commercial ;
une session organisée à une date déterminée ;
un ensemble de contenus ;
une action financée par un organisme.

Ces significations ne doivent pas être confondues.

Le Knowledge Engineering cherche donc à construire un vocabulaire commun et contrôlé.

3. Représenter les relations

Les concepts ne prennent leur véritable sens qu’à travers leurs relations.

Une formation développe une compétence.

Une session met en œuvre une formation.

Un participant s’inscrit à une session.

Une formation possède un prérequis.

Une certification valide une compétence.

Ces relations permettent au système de comprendre comment les objets du domaine sont organisés.

Elles permettent également de répondre à des questions plus précises :

Quelles formations permettent d’acquérir cette compétence ?
Quels participants possèdent les prérequis nécessaires ?
Quelles certifications valident une compétence particulière ?
Quels formateurs peuvent intervenir sur une session ?

Comprendre la représentation des connaissances

4. Formaliser les règles

Certaines connaissances prennent la forme de règles.

SI une formation exige le niveau avancé
ET si le participant possède uniquement le niveau débutant
ALORS son inscription nécessite une validation.

Autre exemple :

SI le stock est inférieur au seuil minimal
ET si le délai de livraison est supérieur à la durée de stock restante
ALORS déclencher une alerte de réapprovisionnement.

Les règles permettent de produire une conclusion à partir de faits.

Elles peuvent être utilisées dans :

un système expert ;
un moteur d’inférence ;
un outil de contrôle ;
une application métier ;
un assistant intelligent.

Comprendre le fonctionnement d’un système expert

Découvrir le raisonnement symbolique

5. Définir les contraintes

Une représentation des connaissances doit également préciser ce qui est autorisé, obligatoire ou impossible.

Exemples :

Une session doit correspondre à une formation.

Une date de fin ne peut pas précéder une date de début.

Une certification doit être délivrée par un organisme identifié.

Une personne ne peut pas être à la fois l’auteur et le destinataire d’une même délégation.

Ces contraintes permettent de contrôler la qualité et la cohérence du système.

Les principales formes de représentation des connaissances

Il n’existe pas une seule manière de représenter les connaissances.

Le choix dépend du domaine, du niveau de précision recherché et du type de raisonnement attendu.

Les taxonomies

Une taxonomie organise des catégories dans une hiérarchie.

Véhicule
├── Voiture
├── Camion
└── Motocyclette

Une taxonomie permet principalement :

de classer ;
de naviguer ;
de regrouper ;
de retrouver des contenus ;
d’organiser un vocabulaire.

Elle est particulièrement utile pour structurer un catalogue, un site, une documentation ou une collection de contenus.

Les ontologies

Une ontologie va plus loin qu’une taxonomie.

Elle peut définir :

des classes ;
des instances ;
des propriétés ;
des relations ;
des contraintes ;
des axiomes ;
des règles de cohérence.

Exemple :

Véhicule électrique
  └── est un type de → Véhicule

Véhicule électrique
  └── utilise → Batterie

Conducteur
  └── conduit → Véhicule

L’ontologie cherche à formaliser le sens des concepts et les relations qu’ils peuvent entretenir.

Comprendre la différence entre taxonomie et ontologie

Découvrir ce qu’est une ontologie informatique

Les graphes de connaissances

Un graphe de connaissances représente des entités sous forme de nœuds et leurs relations sous forme de liens.

Marie → travaille pour → Entreprise Alpha

Entreprise Alpha → située à → Toulouse

Marie → possède la compétence → SEO

SEO → appartient au domaine → Marketing numérique

Le graphe permet de naviguer entre les entités et de réunir des informations provenant de plusieurs sources.

Il peut répondre à des questions comme :

Quelles personnes travaillent pour une entreprise située à Toulouse ?
Quelles compétences sont présentes dans une organisation ?
Quels documents mentionnent une même personne ?
Quels produits sont compatibles avec un composant particulier ?

Comprendre les graphes de connaissances

Les bases de connaissances

Une base de connaissances rassemble des connaissances structurées afin qu’elles puissent être recherchées, interrogées ou utilisées par un système.

Elle peut contenir :

des faits ;
des définitions ;
des relations ;
des règles ;
des procédures ;
des sources ;
des documents ;
des niveaux de confiance ;
des dates de validité.

Une base de connaissances ne doit pas être confondue avec une simple collection de fichiers.

Un dossier contenant des centaines de PDF constitue une base documentaire. Il contient probablement des connaissances, mais celles-ci restent enfermées dans les textes.

Une véritable base de connaissances rend explicites les concepts, les relations et les conditions d’utilisation.

Découvrir ce qu’est une base de connaissances

Knowledge Engineering et Knowledge Management

Le Knowledge Engineering et le Knowledge Management traitent tous les deux des connaissances, mais ils ne poursuivent pas exactement le même objectif.

Knowledge Management	Knowledge Engineering
Organise le partage des connaissances	Formalise les connaissances
Travaille sur les personnes et les processus	Travaille sur les concepts et les modèles
Gère les documents et les communautés	Construit des règles, ontologies et graphes
Facilite la circulation du savoir	Rend le savoir exploitable par un système
Répond à un enjeu organisationnel	Répond à un enjeu cognitif et informatique

Une organisation peut pratiquer le Knowledge Management sans disposer d’une véritable représentation formelle de ses connaissances.

Inversement, un projet de Knowledge Engineering doit souvent prendre en compte des questions de gouvernance, de responsabilité et de mise à jour.

Comparer Knowledge Engineering et Knowledge Management

Knowledge Engineering et intelligence artificielle

L’intelligence artificielle moderne repose en grande partie sur des modèles statistiques capables d’apprendre à partir de grandes quantités de données.

Ces modèles peuvent :

classer des contenus ;
reconnaître des formes ;
produire du texte ;
résumer des documents ;
traduire ;
détecter des régularités ;
répondre à des questions.

Cependant, leurs connaissances ne sont pas toujours représentées de manière explicite.

Ils ne garantissent pas automatiquement :

la cohérence des définitions ;
l’exactitude des informations ;
la traçabilité des sources ;
la stabilité des réponses ;
le respect des règles métier ;
la prise en compte des exceptions ;
la mise à jour des connaissances.

Le Knowledge Engineering apporte une couche de structure et de contrôle.

Il permet notamment de définir :

un vocabulaire commun ;
des sources autorisées ;
des relations explicites ;
des règles métier ;
des contraintes ;
des critères de validation ;
des mécanismes de maintenance.

Pourquoi les LLM ont-ils besoin de connaissances structurées ?

Un grand modèle de langage peut produire une réponse très convaincante sans que cette réponse soit nécessairement exacte.

Il peut également :

confondre deux concepts ;
inventer une source ;
utiliser une information ancienne ;
ignorer une exception ;
produire des réponses différentes à une même question ;
ne pas respecter une règle spécifique à une organisation.

L’ingénierie des connaissances permet de relier le modèle à des contenus contrôlés et à des structures explicites.

Cette combinaison peut améliorer :

la précision ;
la cohérence ;
l’explicabilité ;
la traçabilité ;
la mise à jour ;
la validation.

Comprendre les relations entre Knowledge Engineering, RAG et LLM

Le RAG

Le Retrieval-Augmented Generation, ou RAG, relie un modèle de langage à une collection de contenus externes.

Lorsqu’un utilisateur pose une question :

le système analyse la requête ;
il recherche les documents ou passages pertinents ;
il transmet ces contenus au modèle ;
le modèle produit une réponse à partir du contexte fourni.

Le RAG permet donc d’utiliser des connaissances qui ne sont pas directement contenues dans le modèle.

Il facilite également l’actualisation des contenus, puisque les documents peuvent être modifiés sans réentraîner entièrement le modèle.

Cependant, un RAG classique travaille souvent à partir de fragments de texte. Il ne comprend pas nécessairement toutes les relations entre les personnes, les événements, les organisations et les concepts.

Le GraphRAG

GraphRAG associe la génération augmentée par la recherche à une structure de graphe.

Le système peut extraire depuis les documents :

des personnes ;
des entreprises ;
des lieux ;
des événements ;
des produits ;
des concepts ;
des relations.

Il peut ensuite construire une représentation globale du corpus.

Cette approche devient particulièrement utile lorsqu’une réponse exige de relier plusieurs informations dispersées dans plusieurs documents.

Découvrir le fonctionnement de GraphRAG

À quoi sert le Knowledge Engineering ?

L’ingénierie des connaissances peut être utilisée chaque fois qu’un système doit comprendre un domaine suffisamment structuré pour assister une activité humaine.

Assistance technique

Le système peut relier :

un équipement ;
des symptômes ;
des causes possibles ;
des composants ;
des procédures de réparation ;
des incidents antérieurs.

Il peut alors aider un technicien à diagnostiquer une panne.

Recherche juridique

Les textes, décisions, notions juridiques et situations peuvent être reliés afin de faciliter :

la recherche ;
la comparaison de cas ;
l’identification des règles applicables ;
le contrôle de conformité.

Santé

Les connaissances peuvent représenter :

des symptômes ;
des pathologies ;
des traitements ;
des interactions ;
des contre-indications ;
des protocoles.

Industrie

Un graphe de connaissances peut relier :

les machines ;
les pièces ;
les incidents ;
les opérations de maintenance ;
les fournisseurs ;
les compétences nécessaires.

Formation

Un système peut représenter :

les compétences ;
les prérequis ;
les programmes ;
les évaluations ;
les certifications ;
les parcours d’apprentissage.

Support client

Une base de connaissances peut relier :

les produits ;
les problèmes ;
les profils d’utilisateurs ;
les causes ;
les solutions ;
les procédures de résolution.

Conformité réglementaire

Les obligations peuvent être reliées :

aux activités concernées ;
aux documents requis ;
aux contrôles ;
aux personnes responsables ;
aux dates d’application.

Explorer les cas d’usage du Knowledge Engineering

Comment mener un projet de Knowledge Engineering ?

Un projet d’ingénierie des connaissances peut être organisé en dix étapes.

1. Définir le problème

Il faut préciser ce que le système devra être capable de faire.

2. Identifier les utilisateurs

Les besoins d’un expert, d’un client, d’un technicien ou d’un développeur ne sont pas identiques.

3. Formuler les questions à traiter

Exemples :

Quelles compétences sont nécessaires pour cette activité ?
Quels documents s’appliquent à ce cas ?
Quelle procédure doit être suivie ?
Quels produits sont compatibles ?
Quelle règle explique cette décision ?

4. Identifier les sources

Les connaissances peuvent provenir d’experts, de documents, de bases de données ou de systèmes existants.

5. Recueillir les connaissances

Cette étape mobilise les entretiens, l’observation et l’analyse documentaire.

6. Définir les concepts

Il faut établir un vocabulaire commun.

7. Modéliser les relations et les règles

Les concepts sont reliés et les conditions d’application sont précisées.

8. Implémenter le modèle

Le modèle peut être traduit dans une ontologie, un graphe, une base de règles ou une architecture hybride.

9. Tester et valider

Le système doit être confronté à des cas réels et vérifié par des experts.

10. Maintenir les connaissances

Les connaissances évoluent avec les pratiques, les produits, les lois et les besoins.

Découvrir la méthode complète d’ingénierie des connaissances

Quels outils utiliser ?

Les outils dépendent du type de système construit.

Besoin	Technologies possibles
Modélisation d’ontologies	Protégé, WebProtégé
Représentation sémantique	RDF, RDFS, OWL
Vocabulaires contrôlés	SKOS
Requêtes sur graphes	SPARQL
Validation des données	SHACL
Bases de données graphes	Neo4j, GraphDB, Stardog
Extraction des connaissances	NLP, reconnaissance d’entités, LLM
Recherche documentaire	moteurs de recherche, index vectoriels
RAG fondé sur un graphe	GraphRAG et architectures hybrides

Le choix de l’outil doit toujours venir après la définition des besoins.

Découvrir les principaux outils de Knowledge Engineering

Le métier de Knowledge Engineer

Le Knowledge Engineer agit comme un intermédiaire entre l’expertise d’un domaine et les systèmes qui doivent l’exploiter.

Ses missions peuvent comprendre :

analyser les besoins ;
interroger les experts ;
étudier les documents ;
définir les concepts ;
construire des taxonomies ;
concevoir des ontologies ;
modéliser des règles ;
organiser des graphes de connaissances ;
contrôler la qualité ;
relier les connaissances aux systèmes d’IA ;
tester les réponses produites.

Il doit comprendre à la fois le domaine métier, les méthodes de modélisation et les technologies utilisées.

Découvrir le métier de Knowledge Engineer

Parcours pour apprendre le Knowledge Engineering

Le site est organisé comme un parcours progressif.

Toutes les pages peuvent être consultées séparément, mais certains concepts constituent des prérequis pour les suivants.

Parcours 1 — Comprendre la connaissance

Objectif : comprendre ce que l’on cherche à recueillir et pourquoi l’expertise humaine ne peut pas toujours être réduite à des documents.

Parcours 2 — Représenter la connaissance

Objectif : apprendre à transformer un domaine en concepts, relations, règles et structures exploitables.

Parcours 3 — Faire raisonner un système

Objectif : comprendre comment un système utilise les connaissances pour rechercher, déduire ou générer une réponse.

Parcours 4 — Mettre en pratique

Objectif : passer des principes à la construction d’un projet concret.

Les idées essentielles à retenir

Une collection de documents n’est pas nécessairement une base de connaissances.
Une connaissance comprend des concepts, des relations, des règles et un contexte.
L’acquisition des connaissances consiste à rendre explicite une expertise humaine ou documentaire.
Une taxonomie classe les concepts.
Une ontologie définit plus précisément leur sens et leurs relations.
Un graphe de connaissances relie des entités et rend leurs relations interrogeables.
Un système de connaissances doit être testé, validé et maintenu.
Les LLM facilitent l’extraction et l’utilisation des connaissances, mais ne remplacent pas leur structuration.
Le RAG permet d’utiliser des documents externes.
GraphRAG ajoute une représentation des entités et de leurs relations.
Le Knowledge Engineering constitue un pont entre l’expertise humaine et l’intelligence artificielle.

Vérifiez votre compréhension

Quelle différence existe-t-il entre une donnée et une connaissance ?

Une donnée est un élément enregistré. Une connaissance permet d’interpréter cet élément, de le relier à d’autres informations et éventuellement d’agir.

Pourquoi une collection de documents n’est-elle pas automatiquement une base de connaissances ?

Parce que les concepts, les relations, les règles, les sources et les conditions d’application restent généralement implicites dans les documents.

Quelle différence existe-t-il entre une taxonomie et une ontologie ?

Une taxonomie organise principalement des catégories. Une ontologie peut également représenter des propriétés, des relations, des contraintes et des règles.

À quoi sert un graphe de connaissances ?

Un graphe de connaissances permet de représenter des entités et les relations qui les unissent afin de faciliter la recherche, l’analyse et le raisonnement.

Pourquoi relier un LLM à une base de connaissances ?

Pour lui fournir des informations contrôlées, actualisables, vérifiables et adaptées au domaine dans lequel il doit répondre.

Quel est le rôle principal du Knowledge Engineer ?

Le Knowledge Engineer transforme l’expertise et les informations d’un domaine en modèles structurés qui peuvent être interrogés et exploités par des systèmes.

Questions fréquentes sur le Knowledge Engineering

Qu’est-ce que le Knowledge Engineering ?

Le Knowledge Engineering est la discipline qui permet d’acquérir, de formaliser, de représenter et de maintenir les connaissances utilisées par un système informatique ou une intelligence artificielle.

Comment traduire Knowledge Engineering en français ?

Les traductions les plus courantes sont « ingénierie des connaissances » et « ingénierie de la connaissance ».

L’expression « ingénierie des connaissances » permet de mieux représenter la diversité des connaissances traitées dans un système.

Quelle différence existe-t-il entre Knowledge Engineering et intelligence artificielle ?

L’intelligence artificielle constitue un domaine général. Le Knowledge Engineering est une discipline consacrée à la modélisation et à l’exploitation explicite des connaissances.

Une ontologie est-elle une base de connaissances ?

Une ontologie définit généralement les concepts, les relations et les contraintes d’un domaine.

Une base de connaissances peut utiliser cette ontologie et lui ajouter des faits, des règles et des instances concrètes.

Un graphe de connaissances est-il une ontologie ?

Non.

L’ontologie fournit généralement le modèle conceptuel. Le graphe contient les entités et les relations organisées selon ce modèle, même si certains graphes utilisent une structure moins formelle.

Les LLM remplacent-ils les ontologies ?

Non.

Les LLM manipulent efficacement le langage et peuvent aider à extraire ou proposer des connaissances. Les ontologies apportent des définitions explicites, des relations contrôlées, des contraintes et des possibilités de raisonnement.

Faut-il savoir programmer pour apprendre le Knowledge Engineering ?

La programmation devient utile pour implémenter un système, mais l’apprentissage commence par la compréhension des concepts, des relations, des règles et des méthodes de modélisation.

Commencer le parcours

La première étape consiste à comprendre précisément ce qui distingue une donnée, une information et une connaissance.

Donnée, information et connaissance : quelles différences ?