Chercheurs : l’ingénierie des connaissances, un champ de recherche à réinvestir à l’ère des LLM

Un chercheur en intelligence artificielle peut aujourd’hui accéder à des modèles capables de dialoguer, de rédiger et d’exécuter des tâches complexes. Pourtant, lorsqu’il cherche à construire un assistant fiable dans l’éducation, l’agriculture ou l’administration, il rencontre une question qui précède l’essor des grands modèles de langage : comment représenter et mobiliser correctement les connaissances d’un domaine ?

Cette question est au cœur de l’ingénierie des connaissances. Elle n’est pas née avec l’IA générative. Elle s’est développée notamment autour des systèmes experts, de l’acquisition des connaissances, de la représentation symbolique et de la conception d’ontologies. Les modèles contemporains renouvellent ses outils, mais ne suppriment pas ses problèmes fondamentaux.

Pour les universités et les centres de recherche, cette rencontre entre disciplines anciennes et technologies nouvelles ouvre un champ d’investigation scientifique et appliquée particulièrement fécond.

Les modèles généralistes ont appris à partir de grandes quantités de données. Ils peuvent mobiliser de nombreuses connaissances sans qu’un concepteur ait à les saisir explicitement sous forme de règles. Cette capacité a transformé les pratiques de développement.

Mais lorsqu’une application doit respecter des connaissances locales, des règles institutionnelles, des références actualisées ou des exigences de vérification, la question de leur provenance redevient centrale. Qui a produit l’information ? Quelle version fait autorité ? Quelle interprétation est admissible ? Quels éléments sont absents ?

Ces questions ne se résolvent pas uniquement par le choix d’un modèle plus performant. Elles nécessitent des méthodes d’acquisition, de documentation, de formalisation et de gouvernance. Elles constituent des objets de recherche à part entière.

Une partie importante des savoirs sectoriels est incorporée aux pratiques professionnelles. Un enseignant adapte son explication à l’erreur d’un élève ; un agronome interprète des signes de terrain ; un agent public distingue les cas ordinaires des exceptions. Ces compétences ne sont pas toujours décrites dans les documents disponibles.

L’acquisition des connaissances étudie comment recueillir ces savoirs à travers des entretiens, des observations, des analyses de tâches et des confrontations de cas. L’IA générative peut aider à préparer des entretiens ou à proposer des premières structures, mais elle ne garantit ni l’exhaustivité ni la validité de ce qui est recueilli.

Un programme de recherche pourrait comparer les méthodes traditionnelles d’explicitation, les dispositifs assistés par LLM et les approches hybrides. Les questions seraient concrètes : quelles connaissances sont effectivement capturées ? Quelles exceptions sont oubliées ? Quel effort humain est nécessaire ? Comment vérifier la fidélité aux pratiques ?

Un document contient des phrases ; une base de données contient des enregistrements. Mais une application spécialisée peut avoir besoin de comprendre qu’une notion est un prérequis d’une autre, qu’une règle ne s’applique qu’à certaines situations ou que deux institutions utilisent des termes différents pour désigner un même objet.

Les taxonomies, ontologies, vocabulaires contrôlés et graphes de connaissances offrent des moyens de représenter explicitement ces relations. Les modèles de langage peuvent faciliter leur construction, leur alignement et leur interrogation, tout en introduisant de nouveaux risques d’erreurs sémantiques.

Les chercheurs peuvent étudier les combinaisons entre représentation symbolique et modèles génératifs : quand un graphe apporte-t-il un bénéfice mesurable ? Quelles relations peuvent être extraites automatiquement ? Comment détecter les contradictions ? Comment maintenir une ontologie lorsque les textes de référence évoluent ?

Il importe de ne pas présumer qu’une ontologie est nécessaire à chaque projet. La question scientifique est aussi de déterminer le degré minimal de structuration qui améliore réellement les performances, la traçabilité ou la maintenance.

Les architectures de recherche augmentée, souvent désignées par l’acronyme RAG, illustrent une autre interface de recherche. Un corpus peut être riche et exact, mais produire de mauvais résultats si les documents sont mal extraits, mal segmentés, mal indexés ou insuffisamment décrits.

Les tableaux, les formules, les figures, les langues et les versions successives posent des difficultés particulières. Dans un corpus scolaire, une extraction erronée d’un signe mathématique peut modifier la solution d’un exercice. Dans un corpus juridique, l’absence d’une date de validité peut conduire à mobiliser une règle dépassée.

Les travaux peuvent porter sur les stratégies de segmentation, les métadonnées, la recherche hybride, le filtrage par autorité, les méthodes de citation et l’évaluation des passages récupérés. Les résultats doivent être comparés sur des corpus représentatifs des usages et non seulement sur des démonstrations ponctuelles.

Un assistant pédagogique peut fournir une réponse mathématiquement exacte tout en accompagnant mal l’apprentissage. Un assistant administratif peut citer une procédure valide tout en omettant une question de clarification indispensable.

L’ingénierie cognitive, l’ergonomie et les sciences de l’apprentissage permettent d’étudier ces situations. Elles interrogent la répartition des tâches entre humains et systèmes, la charge cognitive, les formes de guidage, les effets de la confiance et les risques de délégation excessive.

Pour la recherche, l’enjeu est de construire des protocoles permettant de mesurer les effets réels de l’assistance. La satisfaction immédiate ne suffit pas : selon le domaine, il faut examiner la compréhension, l’autonomie, la qualité des décisions, les erreurs et les effets à moyen terme.

Les modèles génératifs produisent des réponses variables. Une réponse fluide peut être fausse, mal fondée ou inadaptée au contexte. L’évaluation doit donc distinguer plusieurs niveaux : qualité des sources, pertinence de la recherche, fidélité aux connaissances, exactitude du résultat et adéquation du comportement métier.

Les chercheurs peuvent développer des jeux de tests sectoriels, des grilles d’évaluation humaine, des contrôles déterministes et des méthodes d’analyse des défaillances. L’utilisation d’un modèle pour en évaluer un autre peut faciliter le travail, mais ses jugements doivent eux-mêmes être étalonnés et vérifiés.

Un enjeu scientifique important consiste à attribuer correctement les erreurs : proviennent-elles d’un document incomplet, d’une relation sémantique incorrecte, d’un mécanisme de recherche défaillant ou de la génération elle-même ? Sans ce diagnostic, les corrections risquent de viser le mauvais maillon.

Un patrimoine de connaissances ne demeure pas fiable par sa seule publication. Les programmes scolaires changent, les normes évoluent, les procédures sont révisées et des erreurs sont découvertes.

Les questions de provenance, de versionnement, de droits, de responsabilité et d’analyse d’impact sont donc essentielles. Elles concernent autant les sciences de l’information que l’informatique, le droit et l’organisation des institutions.

Un programme de recherche appliquée pourrait étudier comment détecter les changements, identifier les ressources affectées, organiser les validations et garantir que les applications utilisent bien les versions autorisées. Il pourrait également comparer le coût de maintenance de différentes architectures de connaissances.

Dans le contexte ivoirien, les besoins potentiels sont variés : assistance pédagogique conforme aux programmes applicables, recherche dans les ressources administratives, valorisation de connaissances agricoles ou accès à des référentiels techniques.

Ces domaines peuvent offrir des terrains d’expérimentation pertinents, sous réserve de partenariats, d’autorisations et de protocoles adaptés. Ils permettent notamment d’étudier la représentation des connaissances en français et dans des contextes linguistiques et professionnels locaux.

Il serait toutefois prématuré d’affirmer que tous les corpus nécessaires sont disponibles, que les partenariats existent déjà ou que les résultats d’un laboratoire seraient immédiatement généralisables. La première étape consiste à choisir des cas limités, à qualifier les sources et à définir des critères de réussite vérifiables.

Un tel programme ne peut reposer sur les seuls spécialistes des modèles. Il peut associer informaticiens, chercheurs en représentation des connaissances, documentalistes, linguistes, ergonomes, spécialistes des sciences de l’éducation, statisticiens et experts sectoriels.

Cette coopération exige une organisation explicite : définition des questions de recherche, répartition des responsabilités, protocoles communs, documentation des corpus, critères de validation et partage des résultats.

Les étudiants de master et de doctorat peuvent contribuer à des expérimentations ciblées : constitution de corpus, comparaison de stratégies RAG, construction de petits graphes, tests d’assistants ou étude des pratiques d’experts. Les productions devraient être reproductibles dans la mesure permise par les droits et la confidentialité.

Considérons un pilote consacré à un ensemble restreint de notions de mathématiques du secondaire. Une équipe réunit des ressources autorisées, formalise les notions et méthodes, prépare un corpus documentaire et construit plusieurs variantes d’un assistant.

Une première variante utilise le modèle généraliste seul. Une deuxième ajoute une recherche documentaire sur un corpus qualifié. Une troisième mobilise, si cela se justifie, des fiches structurées ou des relations entre notions. Les variantes sont évaluées sur des exercices et interactions représentatifs, avec des critères définis à l’avance.

Le protocole mesure non seulement l’exactitude des réponses, mais aussi la fidélité aux sources, l’adéquation pédagogique, les coûts et l’effort de maintenance. Les résultats peuvent montrer des bénéfices, des limites ou l’absence de différence significative selon les tâches.

Ce type de démonstrateur permettrait de passer d’affirmations générales sur la valeur de l’ingénierie des connaissances à des observations comparables et documentées.

Les travaux de recherche peuvent produire des publications, mais aussi des méthodes, des jeux de tests, des corpus qualifiés, des outils et des formations. Certains de ces résultats peuvent être réutilisés par des startups, des administrations ou des entreprises, lorsque les conditions de diffusion le permettent.

Cette perspective ouvre la possibilité de plateformes expérimentales, de laboratoires communs ou de prestations spécialisées. Elle ne signifie pas que toutes les ressources doivent être centralisées ou que chaque service de connaissances constitue une infrastructure publique numérique.

La question stratégique est de déterminer quels résultats méritent d’être mutualisés, par qui ils seront maintenus, à quel coût et sous quelle gouvernance. La recherche peut aider à produire les éléments de preuve nécessaires à ces décisions.

L’essor des grands modèles de langage n’a pas rendu obsolètes les questions d’acquisition, de représentation, de validation et de gouvernance des connaissances. Il les a déplacées et, dans certains cas, rendues plus visibles.

Pour les chercheurs, l’opportunité n’est pas de rebaptiser des disciplines anciennes, mais de confronter leurs méthodes aux nouvelles architectures d’IA, de mesurer leurs apports et de concevoir des solutions adaptées aux besoins réels.