Glossaire du Knowledge Engineering : les définitions essentielles
Le Knowledge Engineering utilise un vocabulaire provenant de plusieurs domaines :
- intelligence artificielle ;
- informatique ;
- sciences de l’information ;
- gestion des connaissances ;
- logique ;
- linguistique ;
- bases de données ;
- Web sémantique.
Certains termes sont proches sans être équivalents.
Une taxonomie n’est pas une ontologie. Une base de données n’est pas automatiquement une base de connaissances. Un graphe de connaissances ne se réduit pas à un diagramme. Un système RAG ne garantit pas automatiquement une réponse exacte.
Ce glossaire présente les principales notions nécessaires pour comprendre et pratiquer l’ingénierie des connaissances.
Abduction
L’abduction est un raisonnement qui cherche l’explication la plus plausible d’une observation.
Exemple :
Observation :
La connexion est absente.
Hypothèses :
- panne de ligne ;
- mauvaise configuration ;
- perte de synchronisation.L’abduction est utilisée dans le diagnostic.
Approfondir le raisonnement symbolique.
Acquisition des connaissances
L’acquisition des connaissances est le processus de collecte, d’analyse et de formalisation des connaissances provenant des experts, documents, données et pratiques.
Elle utilise notamment :
- les entretiens ;
- l’observation ;
- l’analyse documentaire ;
- les ateliers ;
- l’étude des cas.
Découvrir les méthodes d’acquisition.
Agent IA
Un agent d’intelligence artificielle est un système capable d’analyser une demande, de planifier des étapes, d’utiliser des outils et parfois de déclencher des actions.
Un agent peut consulter :
- une base de connaissances ;
- un moteur de recherche ;
- une API ;
- un graphe ;
- une base de données.
Axiome
Un axiome est une affirmation considérée comme vraie dans un modèle logique ou une ontologie.
Exemple :
Tout formateur est une personne.Les axiomes permettent de produire des inférences.
Base de connaissances
Une base de connaissances rassemble des faits, documents, définitions, règles, relations et sources afin de permettre leur exploitation.
Elle peut être :
- documentaire ;
- fondée sur des règles ;
- ontologique ;
- vectorielle ;
- fondée sur un graphe ;
- hybride.
Comprendre les bases de connaissances.
Base de données
Une base de données organise des données selon une structure technique.
Elle facilite :
- le stockage ;
- la recherche ;
- la modification ;
- les transactions ;
- les requêtes.
Elle ne représente pas nécessairement le sens, les règles ou les relations métier.
Base de données graphe
Une base de données graphe stocke des données sous forme de nœuds et de relations.
Elle est adaptée aux requêtes portant sur :
- les chemins ;
- les réseaux ;
- les dépendances ;
- les connexions ;
- les voisinages.
Une base graphe peut servir à stocker un graphe de connaissances.
Cardinalité
La cardinalité indique combien de valeurs ou de relations sont autorisées.
Exemples :
Une session correspond à exactement une formation.Une formation développe au moins une compétence.Chaînage arrière
Le chaînage arrière part d’une hypothèse à vérifier.
Exemple :
Hypothèse :
L’incident est critique.Le système recherche ensuite les faits nécessaires pour confirmer ou rejeter cette hypothèse.
Chaînage avant
Le chaînage avant part des faits disponibles et applique les règles correspondantes.
Faits
↓
Règles
↓
Nouvelles conclusionsClasse
Une classe représente une catégorie générale.
Exemples :
- Personne ;
- Formation ;
- Produit ;
- Incident ;
- Entreprise.
Une classe peut contenir des sous-classes et des instances.
Classification
Une classification répartit des éléments dans des catégories.
Exemple :
Incident mineur
Incident majeur
Incident critiqueUne classification n’est pas nécessairement hiérarchique.
Compétence
Une compétence est une capacité mobilisable pour accomplir une tâche ou obtenir un résultat.
Dans un graphe, elle peut être reliée à :
Personne → possède → CompétenceFormation → développe → CompétencePoste → exige → CompétenceConcept
Un concept représente une idée ou une catégorie importante d’un domaine.
Exemples :
- contrat ;
- formation ;
- compétence ;
- client ;
- incident.
Le concept doit être défini et distingué des termes utilisés pour le désigner.
Connaissance
Une connaissance est une information interprétée et mobilisable dans un contexte.
Elle peut comprendre :
- des faits ;
- des règles ;
- des procédures ;
- des relations ;
- des modèles ;
- une expérience.
Distinguer donnée, information et connaissance.
Connaissance explicite
Une connaissance explicite peut être formulée, documentée et transmise.
Exemples :
- procédure ;
- définition ;
- règle ;
- manuel ;
- schéma.
Connaissance paramétrique
La connaissance paramétrique correspond aux informations apprises par un modèle pendant son entraînement et intégrées à ses paramètres.
Elle est difficile à modifier ou à relier à une source précise.
Connaissance tacite
Une connaissance tacite repose sur l’expérience, les habitudes, l’intuition ou le jugement.
Elle est difficile à verbaliser.
Comprendre les connaissances tacites et explicites.
Contrainte
Une contrainte définit ce qui est obligatoire, autorisé ou interdit.
Exemple :
Une date de fin ne peut pas précéder une date de début.Les contraintes permettent de contrôler la cohérence.
Déduction
La déduction applique une règle générale à un cas particulier.
Tous les formateurs sont des personnes.
Marie est formatrice.
Donc Marie est une personne.Donnée
Une donnée est une valeur ou une observation brute.
Exemples :
42
12 juillet 2026
Rouge
ToulouseUne donnée acquiert une signification lorsqu’elle est placée dans un contexte.
Embedding
Un embedding est une représentation numérique d’un contenu dans un espace vectoriel.
Il permet de rapprocher des contenus sémantiquement similaires.
Les embeddings sont utilisés dans :
- la recherche sémantique ;
- le RAG ;
- la recommandation ;
- la classification.
Entité
Une entité est un objet identifiable du domaine.
Exemples :
- une personne ;
- une entreprise ;
- un produit ;
- un document ;
- un événement.
Dans un graphe, une entité est généralement représentée par un nœud.
Extraction d’entités
L’extraction d’entités consiste à identifier automatiquement les personnes, organisations, produits, lieux ou concepts présents dans un texte.
Exemple :
Marie Dupont anime une formation à Toulouse.Entités :
Marie Dupont → Personne
Formation → Activité
Toulouse → VilleFait
Un fait est une affirmation considérée comme vraie dans le système.
Exemple :
Marie travaille pour Entreprise Alpha.Un fait peut être associé à :
- une source ;
- une date ;
- un statut ;
- un niveau de confiance.
Frame
Une frame est une structure regroupant les propriétés d’un concept ou d’un type d’objet.
Exemple :
Formation
- titre
- durée
- niveau
- prix
- prérequisGénération augmentée par la recherche
La génération augmentée par la recherche est la traduction de Retrieval-Augmented Generation, ou RAG.
Le système recherche des sources avant de demander au LLM de produire une réponse.
Gouvernance des connaissances
La gouvernance des connaissances définit :
- qui crée ;
- qui valide ;
- qui publie ;
- qui corrige ;
- qui archive ;
- qui peut accéder.
Elle permet de maintenir la fiabilité de la base.
Graphe de connaissances
Un graphe de connaissances représente des entités et les relations qui les relient.
Exemple :
Marie → travaille pour → Entreprise AlphaEntreprise Alpha → située à → ToulouseComprendre les graphes de connaissances.
GraphRAG
GraphRAG associe :
- des documents ;
- un graphe ;
- un système de recherche ;
- un LLM.
Il est particulièrement utile lorsque la réponse nécessite de relier plusieurs documents ou entités.
Hallucination
Une hallucination désigne une production incorrecte ou non fondée générée par un modèle de langage.
Le modèle peut :
- inventer une source ;
- confondre deux entités ;
- produire une date incorrecte ;
- présenter une hypothèse comme un fait.
Induction
L’induction consiste à proposer une règle générale à partir de plusieurs observations.
La conclusion reste probable et peut être remise en cause par de nouveaux cas.
Inférence
Une inférence est une conclusion produite à partir de faits, règles, relations ou axiomes.
Exemple :
Marie est formatrice.
Tout formateur est une personne.Inférence :
Marie est une personne.Information
Une information est une donnée interprétée dans un contexte.
Exemple :
42est une donnée.
La température est de 42 °Cest une information.
Instance
Une instance est un élément particulier appartenant à une classe.
Exemple :
Formation
└── Formation SEO avancéeFormation est une classe.
Formation SEO avancée est une instance.
Knowledge Engineering
Le Knowledge Engineering est la discipline qui recueille, représente, valide et exploite les connaissances dans des systèmes informatiques.
Il peut produire :
- une taxonomie ;
- une ontologie ;
- une base de connaissances ;
- un graphe ;
- un système expert ;
- une architecture RAG.
Knowledge Engineer
Le Knowledge Engineer est la personne chargée de transformer l’expertise et les sources en modèles de connaissances.
Il travaille avec :
- les experts ;
- les utilisateurs ;
- les développeurs ;
- les équipes data ;
- les spécialistes IA.
Knowledge Management
Le Knowledge Management organise la création, la conservation et le partage des connaissances dans une organisation.
Il utilise notamment :
- communautés ;
- documentation ;
- mentorat ;
- retours d’expérience ;
- espaces collaboratifs.
Comparer Knowledge Engineering et Knowledge Management.
LLM
Un Large Language Model, ou LLM, est un modèle entraîné sur de grandes quantités de textes afin de produire et interpréter du langage.
Il peut :
- répondre ;
- résumer ;
- traduire ;
- classifier ;
- extraire ;
- générer.
Un LLM ne constitue pas automatiquement une base de connaissances fiable.
Logique floue
La logique floue permet d’exprimer des degrés plutôt que des valeurs uniquement vraies ou fausses.
Exemple :
Température élevée : 0,8Elle est adaptée aux concepts graduels comme :
- chaud ;
- proche ;
- urgent ;
- risqué.
Métadonnée
Une métadonnée décrit une donnée, un document ou une connaissance.
Exemples :
- auteur ;
- date ;
- version ;
- statut ;
- source ;
- langue ;
- catégorie ;
- niveau de confidentialité.
Moteur d’inférence
Un moteur d’inférence applique des règles aux faits afin de produire des conclusions.
Il peut utiliser :
- le chaînage avant ;
- le chaînage arrière ;
- des priorités ;
- des stratégies de résolution de conflits.
Moteur de règles
Un moteur de règles exécute des règles de type :
SI conditions
ALORS action ou conclusionIl est utilisé dans les systèmes experts et les applications métier.
Nœud
Un nœud représente une entité ou un concept dans un graphe.
Exemples :
- Marie ;
- Toulouse ;
- Entreprise Alpha ;
- Formation SEO.
Ontologie
Une ontologie représente les concepts d’un domaine, leurs propriétés, leurs relations et leurs contraintes.
Elle peut contenir :
- classes ;
- sous-classes ;
- instances ;
- propriétés ;
- axiomes ;
- règles.
Comprendre les ontologies informatiques.
OWL
OWL, ou Web Ontology Language, est un langage utilisé pour construire des ontologies formelles.
Il permet notamment de définir :
- des classes ;
- des propriétés ;
- des équivalences ;
- des incompatibilités ;
- des cardinalités ;
- des restrictions.
Prompt Engineering
Le Prompt Engineering consiste à concevoir les instructions fournies à un modèle de langage.
Il organise :
- la tâche ;
- le contexte ;
- les contraintes ;
- le format ;
- les exemples ;
- les critères de réponse.
Comparer Prompt Engineering et Knowledge Engineering.
Propriété
Une propriété décrit une caractéristique d’une entité.
Exemple :
Formation SEO
├── durée → 21 heures
├── niveau → Avancé
└── prix → 1 200 eurosProvenance
La provenance indique l’origine d’une connaissance.
Elle peut comprendre :
- le document ;
- l’auteur ;
- la date ;
- le passage ;
- le système source ;
- le niveau de validation.
RAG
Le RAG, ou Retrieval-Augmented Generation, est une architecture dans laquelle un système recherche des sources avant de demander à un LLM de générer une réponse.
Question
↓
Recherche
↓
Sources
↓
LLM
↓
RéponseComprendre le RAG et le Knowledge Engineering.
RDF
RDF, ou Resource Description Framework, représente les connaissances sous forme de triplets.
Sujet → relation → objetExemple :
Marie → anime → Formation SEORaisonnement symbolique
Le raisonnement symbolique manipule des faits, concepts et règles explicites afin de produire des conclusions.
Il est utilisé dans :
- les systèmes experts ;
- les moteurs de règles ;
- les ontologies ;
- les systèmes neuro-symboliques.
Approfondir le raisonnement symbolique.
Relation
Une relation relie deux concepts ou entités.
Exemples :
travaille pourdéveloppeappartient àest compatible avecRésolution d’entités
La résolution d’entités consiste à déterminer si plusieurs mentions désignent la même entité.
Exemple :
Entreprise Alpha
Alpha SAS
Société AlphaLe système doit décider s’il s’agit de la même organisation.
Réseau sémantique
Un réseau sémantique représente des concepts et leurs relations sous forme de réseau.
Il constitue une forme historique de représentation des connaissances.
Règle
Une règle relie des conditions à une conclusion ou une action.
SI le participant possède le niveau requis
ALORS il est éligible.Une règle doit souvent inclure :
- une source ;
- un périmètre ;
- une date ;
- une exception.
Représentation des connaissances
La représentation des connaissances consiste à transformer le savoir en structures exploitables.
Elle peut utiliser :
- taxonomies ;
- règles ;
- ontologies ;
- graphes ;
- modèles logiques ;
- vecteurs.
Découvrir les méthodes de représentation.
Résolution de conflits
La résolution de conflits détermine quelle règle appliquer lorsque plusieurs règles produisent des conclusions différentes.
Les stratégies peuvent utiliser :
- la priorité ;
- la spécificité ;
- la date ;
- l’autorité de la source ;
- une validation humaine.
SHACL
SHACL est un langage permettant de définir et vérifier des contraintes sur des graphes RDF.
Exemple :
Une formation doit développer au moins une compétence.SKOS
SKOS est un modèle destiné à représenter :
- des vocabulaires contrôlés ;
- des taxonomies ;
- des thésaurus ;
- des concepts documentaires.
SPARQL
SPARQL est un langage de requête utilisé pour interroger les graphes RDF.
Il permet de rechercher des entités et relations correspondant à un motif.
Système expert
Un système expert utilise une base de faits, une base de règles et un moteur d’inférence afin de produire une conclusion.
Faits
+
Règles
+
Moteur d’inférence
=
RecommandationComprendre les systèmes experts.
Taxonomie
Une taxonomie organise des concepts dans une hiérarchie.
Exemple :
Véhicule
├── Voiture
├── Camion
└── MotocycletteComparer taxonomie et ontologie.
Thésaurus
Un thésaurus organise un vocabulaire en indiquant :
- le terme préféré ;
- les synonymes ;
- les termes généraux ;
- les termes spécifiques ;
- les termes associés.
Triplet
Un triplet est une affirmation structurée sous la forme :
Sujet → relation → objetExemple :
Formation SEO → développe → Compétence SEOLes triplets sont au cœur de RDF et des graphes de connaissances.
Vecteur
Un vecteur est une série de nombres représentant un contenu dans un espace mathématique.
Dans un système d’IA, il peut représenter :
- un texte ;
- une image ;
- un document ;
- un concept.
Web sémantique
Le Web sémantique désigne un ensemble de standards visant à représenter les données du Web d’une manière plus explicite et interopérable.
Il utilise notamment :
- RDF ;
- RDFS ;
- OWL ;
- SPARQL ;
- SKOS.
Parcours conseillé
Pour maîtriser progressivement ces notions :
- Donnée, information et connaissance
- Connaissance tacite et explicite
- Acquisition des connaissances
- Représentation des connaissances
- Taxonomie et ontologie
- Ontologie informatique
- Graphe de connaissances
- Base de connaissances
- Système expert
- Raisonnement symbolique
- Knowledge Engineering, RAG et LLM
- GraphRAG
- Méthode d’ingénierie des connaissances
- Outils du Knowledge Engineering
- Cas d’usage
- Métier de Knowledge Engineer