L’ontologie et l’information tacite sont deux concepts liés à la gestion des connaissances mais ils s’opposent sur plusieurs aspects.
L’ontologie vise à rendre explicite et structurée la connaissance d’un domaine en définissant des concepts, des relations et des règles de raisonnement.
Elle est utilisée pour formaliser et organiser des connaissances de manière standardisée, par exemple dans des bases de données, des systèmes experts ou le Web sémantique (voir notre article précédent).
L’information tacite, au contraire, correspond aux connaissances implicites, non formalisées et souvent personnelles. Elle repose sur l’expérience, l’intuition et le savoir-faire des individus et est difficile à transmettre sous forme structurée.
L’une des grandes difficultés en ingénierie des connaissances est de transformer l’information tacite en information explicite, afin de pouvoir l’exploiter dans des ontologies.
Exemples en entreprise :
• Maintenance industrielle : un technicien expérimenté sait, grâce à son intuition, quand une machine va tomber en panne. Son savoir est tacite. Construire une ontologie permettrait de formaliser cette connaissance sous forme de règles basées sur des capteurs, des historiques de pannes et des modèles prédictifs.
• Formation et expertise : une entreprise peut utiliser une ontologie pour structurer et formaliser le savoir des experts afin de le transmettre aux nouveaux employés.
• Innovation et R&D : l’expertise d’un ingénieur sur l’amélioration d’un procédé de fabrication peut être intégrée dans une ontologie pour aider à la conception de nouveaux produits.
La principale difficulté est que l’information tacite est souvent difficile à exprimer verbalement ou textuellement.
Elle peut être extraite par :
1. Des entretiens avec des experts pour formaliser leurs connaissances.
2. L’analyse de données et de comportements pour identifier des modèles implicites.
3. Des techniques d’intelligence artificielle (apprentissage automatique, traitement du langage naturel) pour déduire des connaissances tacites à partir de données existantes.
La transformation de l’information tacite en ontologie est possible mais c’est un défi complexe. Plusieurs approches et outils ont été développés pour capturer, formaliser et structurer le savoir implicite des experts.
Voici quelques exemples concrets et cas d’application :
1. Projets et outils existants
Ontologies pour la maintenance industrielle
Des entreprises comme Siemens, Airbus et General Electric utilisent des ontologies pour capturer les connaissances des techniciens et optimiser la maintenance prédictive.
Par exemple, il existe l’ontologie MASON (Manufacturing Service Ontology) pour la gestion des pannes mais également l’ontologie OntoDiac (Ontology-based Diagnostic) pour formaliser les procédures de diagnostic en maintenance.
Intelligence artificielle et extraction de l’information tacite
L’IA et le NLP (Natural Language Processing) sont utilisés pour analyser des documents techniques, des rapports d’experts ou des échanges informels afin d’extraire des concepts récurrents et les transformer en ontologies.
IBM Watson est, par exemple, utilisé dans des secteurs comme la finance ou la santé pour structurer des connaissances implicites.
2. Exemples d’applications réelles
Industrie automobile : capture le savoir des ingénieurs
Dans l’industrie automobile (Toyota, Renault, BMW), des ontologies sont utilisées pour formaliser l’expérience des ingénieurs sur les processus de fabrication et les défauts récurrents. Les données d’essais et simulations sont croisées avec l’expertise humaine pour enrichir des bases de connaissances.
Aérospatiale : formalisation des procédures critiques
Airbus a développé des ontologies pour structurer le savoir des ingénieurs et techniciens sur les avions et moteurs. Cela permet de centraliser les connaissances et d’optimiser la formation des nouvelles recrues. L’ontologie MOF (Modeling Ontology Framework) est utilisée pour formaliser les modèles d’ingénierie.
Santé : formalisation du savoir médical
Le projet SNOMED CT est une base de connaissances médicale qui capture l’expertise des médecins et chercheurs pour assister le diagnostic et la recherche clinique. Des algorithmes d’apprentissage automatique analysent les dossiers patients pour inférer/déduire des schémas tacites et enrichir ces ontologies.
Défis et limites actuelles :
Transformation difficile : l’expertise humaine est souvent difficile à capturer et à formaliser sous forme de règles précises.
Qualité des données : l’IA et le NLP peuvent aider, mais nécessitent de grandes quantités de données et des experts pour valider les connaissances extraites.
Évolution continue : les ontologies doivent être mises à jour régulièrement, car le savoir évolue avec le temps.
En conclusion, des approches existent et sont utilisées en industrie, médecine, ingénierie et intelligence artificielle pour capturer et formaliser l’information tacite sous forme d’ontologies.
Cependant, ce n’est pas un processus complètement automatique : il est nécessaire de combiner expertise humaine, IA et ingénierie des connaissances pour réussir cette transformation.