Knowledge Engineering
Comprendre/structurer/exploiter les connaissances

Représentation des connaissances : comment rendre le savoir exploitable par un système ?

La représentation des connaissances consiste à transformer des connaissances humaines, documentaires ou organisationnelles en structures qu’un système informatique peut stocker, interroger et utiliser.

Après avoir recueilli les connaissances grâce aux méthodes d’acquisition des connaissances, il faut décider comment les organiser.

Une connaissance peut prendre plusieurs formes :

L’objectif n’est pas seulement de stocker des mots ou des documents. Il faut représenter leur sens, leurs relations et les conditions dans lesquelles ils peuvent être utilisés.

Représenter une connaissance, c’est rendre explicite ce qu’un système doit savoir sur un domaine.

Ce que vous allez comprendre

À la fin de cet article, vous saurez :

Qu’est-ce que la représentation des connaissances ?

La représentation des connaissances est le processus par lequel une connaissance est traduite dans une forme structurée et exploitable par un système.

Prenons une connaissance exprimée en langage naturel :

Une formation avancée exige que le participant possède déjà le niveau intermédiaire.

Cette phrase contient plusieurs éléments.

Concepts

Relations

Une formation possède un prérequis.
Un participant possède un niveau.

Règle

SI une formation exige le niveau intermédiaire
ET si le participant ne possède pas ce niveau
ALORS son inscription doit être refusée ou validée manuellement.

La représentation des connaissances consiste à rendre cette structure explicite.

Pourquoi représenter les connaissances ?

Un document peut être compris par une personne, mais il reste difficile à exploiter automatiquement.

Prenons cette phrase :

Les véhicules électriques utilisent une batterie et doivent être rechargés à l’aide d’une source d’énergie compatible.

Un lecteur humain comprend immédiatement plusieurs relations :

Un système informatique ne déduit pas automatiquement toutes ces relations à partir du texte.

Il faut les représenter explicitement.

Véhicule électrique
  ├── est un type de → Véhicule
  ├── utilise → Batterie
  └── nécessite → Recharge
Recharge
  └── utilise → Source d’énergie compatible

Une représentation structurée permet ensuite :

Les éléments fondamentaux

La plupart des systèmes de représentation des connaissances utilisent plusieurs types d’éléments.

Les concepts

Un concept représente une catégorie générale du domaine.

Exemples :

Un concept ne désigne pas nécessairement un élément concret. Il définit une classe d’objets partageant certaines caractéristiques.

Exemple :

Produit

peut représenter l’ensemble des produits d’un catalogue.

Les instances

Une instance représente un élément particulier appartenant à une catégorie.

Exemple :

Produit
  └── instance → Routeur X200

Autres exemples :

Personne
  └── instance → Marie Dupont
Entreprise
  └── instance → Entreprise Alpha
Formation
  └── instance → Formation SEO avancé

La distinction entre concept et instance est fondamentale.

Les propriétés

Une propriété décrit une caractéristique d’un concept ou d’une instance.

Exemple :

Routeur X200
  ├── possède pour fabricant → Entreprise Alpha
  ├── possède pour poids → 450 grammes
  └── possède pour référence → X200

Les propriétés peuvent contenir :

Les relations

Une relation relie deux concepts ou deux instances.

Exemples :

Une personne travaille pour une entreprise.
Une formation développe une compétence.
Un produit appartient à une catégorie.
Une maladie présente un symptôme.

Dans un graphe de connaissances, une relation peut être représentée ainsi :

Marie → travaille pour → Entreprise Alpha
Formation SEO → développe → Compétence SEO

Les relations rendent possible la navigation entre les connaissances.

Les faits

Un fait est une affirmation considérée comme vraie dans le système.

Exemples :

Marie travaille pour Entreprise Alpha.
Entreprise Alpha est située à Toulouse.
La formation SEO avancé exige le niveau intermédiaire.
L’incident 458 concerne le routeur X200.

Les faits décrivent généralement des instances concrètes.

Les règles

Une règle permet de produire une conclusion à partir de certaines conditions.

Exemple :

SI une personne travaille pour une entreprise
ET si cette entreprise est située à Toulouse
ALORS cette personne travaille pour une organisation située à Toulouse.

Autre exemple :

SI un incident bloque totalement le service
ET si aucune solution de contournement n’existe
ALORS cet incident est critique.

Les règles sont particulièrement importantes dans les systèmes experts et le raisonnement symbolique.

Les contraintes

Une contrainte précise ce qui est obligatoire, interdit ou impossible.

Exemples :

Une date de fin ne peut pas précéder une date de début.
Une session doit correspondre à une formation.
Une personne ne peut posséder qu’un seul numéro de sécurité sociale.
Un produit doit appartenir à au moins une catégorie.

Les contraintes permettent de détecter des incohérences.

Les exceptions

Une règle générale peut comporter des exceptions.

Exemple :

SI une facture est échue
ALORS envoyer une relance.

Exception :

Ne pas envoyer de relance si un litige est ouvert.

Une représentation correcte doit donc intégrer :

Les métadonnées

Une connaissance doit souvent être accompagnée d’informations supplémentaires.

Exemple :

Règle :
Un incident bloquant sans solution de contournement est critique.

Source :
Responsable du support.

Date de validation :
12 juillet 2026.

Périmètre :
Clients professionnels.

Niveau de confiance :
Élevé.

Les métadonnées facilitent :

Du langage naturel à une structure de connaissances

Prenons cette phrase :

Un client professionnel dont le service est totalement bloqué doit bénéficier d’un traitement prioritaire.

Concepts identifiés

Hiérarchie

Client professionnel
  └── est un type de → Client

Relation

Client
  └── utilise → Service

État

Service
  └── peut avoir pour état → Bloqué

Règle

SI le client est professionnel
ET si son service est totalement bloqué
ALORS son dossier possède une priorité élevée.

La phrase initiale a été transformée en éléments structurés.

Les principales formes de représentation des connaissances

Il existe plusieurs méthodes. Chacune répond à des besoins différents.

Les listes et les tableaux

La représentation la plus simple consiste à organiser les connaissances dans des listes ou des tableaux.

Exemple :

ProduitCatégorieFabricantCompatible avec
Routeur X200RéseauEntreprise AlphaModule M10
Routeur X300RéseauEntreprise AlphaModule M20

Cette représentation est facile à comprendre et à mettre en œuvre.

Elle devient cependant limitée lorsque :

Les classifications

Une classification répartit les éléments dans des catégories.

Exemple :

Incident
├── Incident mineur
├── Incident majeur
└── Incident critique

Cette structure facilite le classement.

Mais elle n’explique pas nécessairement :

Les taxonomies

Une taxonomie organise des concepts dans une hiérarchie.

Exemple :

Équipement
├── Équipement informatique
│   ├── Ordinateur
│   ├── Serveur
│   └── Routeur
└── Équipement industriel
    ├── Pompe
    └── Moteur

La taxonomie permet :

Elle représente principalement des relations de type :

est un type de

La distinction entre classification, taxonomie et ontologie est développée dans Taxonomie et ontologie : quelles différences ?.

Les réseaux sémantiques

Un réseau sémantique représente les concepts et leurs relations sous forme de réseau.

Exemple :

Oiseau
  ├── possède → Ailes
  ├── possède → Plumes
  └── peut → Voler
Pingouin
  ├── est un type de → Oiseau
  └── ne peut pas → Voler

Cette représentation rend visibles les relations entre les concepts.

Elle peut toutefois manquer de précision si les types de relations ne sont pas clairement définis.

Les frames

Une frame, ou structure conceptuelle, regroupe les propriétés associées à un type d’objet.

Exemple :

Frame : Véhicule
Propriétés :
- fabricant
- modèle
- année
- type de moteur
- nombre de places
- énergie utilisée

Une instance peut remplir ces propriétés :

Véhicule : Voiture A
Fabricant : Entreprise Alpha
Modèle : E200
Année : 2026
Type de moteur : Électrique
Nombre de places : 5
Énergie utilisée : Électricité

Les frames sont utiles pour représenter des objets possédant une structure relativement stable.

Les règles de production

Une règle de production suit généralement la forme :

SI conditions
ALORS conclusion ou action

Exemple :

SI la température dépasse 80 °C
ET si la pression augmente
ALORS arrêter la machine.

Les règles de production sont faciles à comprendre.

Elles peuvent toutefois devenir difficiles à maintenir lorsque le système contient des milliers de règles interdépendantes.

La logique

La logique permet de représenter des faits et des raisonnements avec davantage de précision.

Exemple :

Tous les véhicules électriques utilisent une batterie.
Le modèle E200 est un véhicule électrique.

Conclusion :

Le modèle E200 utilise une batterie.

Cette conclusion n’était pas nécessairement écrite directement. Elle est obtenue par inférence.

La logique permet notamment de :

Les ontologies

Une ontologie définit les concepts d’un domaine ainsi que leurs propriétés, leurs relations et leurs contraintes.

Elle peut contenir :

Exemple :

Personne
├── Client
├── Employé
└── Formateur
Formation
  ├── développe → Compétence
  ├── possède → Prérequis
  └── est animée par → Formateur

Une ontologie cherche à rendre le sens plus explicite qu’une simple taxonomie.

Cette méthode est développée dans Ontologie informatique : définition et construction.

Les graphes de connaissances

Un graphe de connaissances représente des entités et les relations qui les relient.

Exemple :

Marie → travaille pour → Entreprise Alpha
Entreprise Alpha → située à → Toulouse
Marie → possède → Compétence SEO
Compétence SEO → appartient à → Marketing numérique

Le graphe facilite :

Il est présenté en détail dans Graphe de connaissances : définition et fonctionnement.

Les bases de connaissances

Une base de connaissances rassemble des connaissances structurées.

Elle peut contenir :

Une base de connaissances peut utiliser plusieurs formes de représentation simultanément.

Exemple :

Comprendre ce qu’est une base de connaissances.

Les représentations vectorielles

Les systèmes d’intelligence artificielle modernes représentent souvent les textes, images ou concepts sous forme de vecteurs numériques.

Un vecteur encode les caractéristiques d’un contenu dans un espace mathématique.

Des contenus proches sémantiquement possèdent des vecteurs proches.

Exemple :

voiture électrique
véhicule électrique
automobile à batterie

Ces expressions peuvent être rapprochées même si elles n’utilisent pas exactement les mêmes mots.

Les représentations vectorielles sont particulièrement utiles pour :

Elles rendent toutefois moins explicites :

Représentation symbolique et représentation vectorielle

Représentation symboliqueReprésentation vectorielle
Utilise des concepts explicitesUtilise des représentations numériques
Représente des relations définiesReprésente des proximités
Permet des règles logiquesPermet des calculs statistiques
Facilite l’explicationFacilite la recherche sémantique
Nécessite une modélisationPeut apprendre depuis les données
Contrôle mieux les contraintesTolère mieux les variations du langage

Les deux approches peuvent être complémentaires.

Une architecture moderne peut combiner :

Exemple : représenter un domaine de formation

Imaginons un système capable de recommander des formations.

Concepts

Participant
Formation
Compétence
Niveau
Prérequis
Certification
Formateur
Session

Relations

Un participant possède une compétence.
Une formation développe une compétence.
Une formation exige un prérequis.
Une session met en œuvre une formation.
Un formateur anime une session.
Une certification valide une compétence.

Hiérarchie

Compétence
├── Compétence technique
├── Compétence commerciale
└── Compétence managériale

Faits

Marie possède la compétence SEO au niveau débutant.
La formation SEO avancé exige le niveau intermédiaire.
La formation SEO intermédiaire développe la compétence SEO au niveau intermédiaire.

Règle

SI un participant ne possède pas le niveau requis
ALORS recommander une formation préparatoire.

Conclusion

Marie doit suivre la formation SEO intermédiaire avant la formation SEO avancé.

Cette conclusion devient possible grâce à la représentation des connaissances.

Exemple : représenter un support technique

Concepts

Produit
Incident
Symptôme
Cause
Test
Procédure
Solution
Technicien

Relations

Un incident concerne un produit.
Un incident présente un symptôme.
Un symptôme peut indiquer une cause.
Un test confirme ou écarte une cause.
Une procédure permet de traiter une cause.

Faits

L’incident 458 concerne le routeur X200.
L’incident 458 présente une perte de connexion.
Le voyant du routeur est rouge.

Règle

SI le voyant est rouge
ET si la connexion est absente
ALORS vérifier la synchronisation.

Exception

Ne pas redémarrer si un bruit métallique est détecté.

Le système peut ainsi recommander une procédure adaptée.

Comment choisir une représentation ?

Le choix dépend du besoin.

Pour classer des contenus

Utiliser :

Exemple :

Articles
├── Intelligence artificielle
├── Knowledge Engineering
└── Learning Engineering

Pour représenter des relations complexes

Utiliser :

Pour appliquer des décisions explicites

Utiliser :

Pour effectuer une recherche sémantique

Utiliser :

Pour combiner recherche et relations

Utiliser :

Pour vérifier la cohérence

Utiliser :

Les critères de choix

Avant de choisir une représentation, il faut répondre à plusieurs questions.

Quel est l’objectif ?

Le système doit-il :

Quel niveau de précision est nécessaire ?

Une simple taxonomie peut suffire pour organiser un site.

Une ontologie devient plus utile lorsqu’il faut représenter des relations et des contraintes précises.

Les règles doivent-elles être explicables ?

Si le système doit justifier ses décisions, une représentation symbolique peut être nécessaire.

Le domaine évolue-t-il rapidement ?

Un modèle très formel peut être coûteux à maintenir.

Il faut trouver un équilibre entre précision et souplesse.

Quelle quantité de connaissances doit être représentée ?

Quelques dizaines de règles peuvent être gérées manuellement.

Des millions d’entités nécessitent une base de données ou un graphe adapté.

Les connaissances sont-elles certaines ?

Certaines connaissances sont :

La représentation doit permettre d’exprimer ces nuances.

Qualité d’une représentation des connaissances

Une bonne représentation doit posséder plusieurs qualités.

La clarté

Les concepts doivent être définis précisément.

Exemple ambigu :

Client important

Exemple plus précis :

Client dont le chiffre d’affaires annuel dépasse 100 000 euros.

La cohérence

Deux règles ne doivent pas produire des conclusions incompatibles sans justification.

Exemple :

Tous les incidents bloquants sont critiques.

et :

Certains incidents bloquants sont mineurs.

Cette contradiction doit être analysée.

La complétude suffisante

Le système doit contenir les connaissances nécessaires pour traiter les cas prioritaires.

Il n’est pas nécessaire de représenter tout le domaine.

La traçabilité

Chaque connaissance importante doit être reliée à sa source.

La maintenabilité

La représentation doit pouvoir évoluer sans devenir incontrôlable.

La réutilisabilité

Les concepts et relations doivent pouvoir être utilisés dans plusieurs applications.

L’explicabilité

Le système doit pouvoir indiquer les faits et les règles ayant conduit à une conclusion.

Les principales difficultés

L’ambiguïté du langage

Un même terme peut posséder plusieurs significations.

Exemple :

Session

peut désigner :

Le contexte doit être explicite.

Les synonymes

Plusieurs termes peuvent désigner le même concept.

Exemples :

voiture
automobile
véhicule particulier

Le système doit décider s’il s’agit de synonymes exacts ou de concepts différents.

Les niveaux de détail

Il faut choisir le bon niveau de précision.

Trop peu de détails rendent la représentation inutile.

Trop de détails la rendent difficile à comprendre et à maintenir.

Les exceptions

Les règles générales doivent être accompagnées de leurs exceptions.

Les désaccords

Plusieurs experts peuvent utiliser des définitions ou des pratiques différentes.

L’évolution des connaissances

Une représentation correcte aujourd’hui peut devenir obsolète demain.

Le contexte

Une règle peut être valide dans un pays, un service ou une période, mais pas ailleurs.

Le risque de surmodélisation

Il est possible de construire une représentation très complexe sans besoin réel.

Exemple :

Créer une ontologie complète de plusieurs milliers de concepts alors qu’une taxonomie de cinquante catégories aurait suffi.

La modélisation doit toujours rester liée à un usage.

Représentation des connaissances et LLM

Les modèles de langage peuvent traiter des connaissances exprimées en langage naturel.

Ils peuvent :

Cependant, leur représentation interne n’est pas toujours explicite ni contrôlable.

Un LLM peut :

La représentation structurée des connaissances permet de fournir au modèle :

Cette complémentarité est approfondie dans Knowledge Engineering, RAG et LLM.

Représentation des connaissances et RAG

Un système RAG classique recherche des fragments de documents proches de la question.

Il peut retrouver :

Mais il ne représente pas nécessairement les relations entre les informations.

Exemple :

Un graphe de connaissances peut relier ces éléments.

Cette approche est développée dans GraphRAG.

Représentation des connaissances et base de données

Une base de données stocke des données structurées.

Exemple :

client_idnomville
102Entreprise AlphaToulouse

Cette structure indique où se trouvent les valeurs.

Elle ne définit pas nécessairement :

La représentation des connaissances ajoute une couche sémantique.

Représentation des connaissances et Knowledge Management

Le Knowledge Management cherche notamment à organiser :

Le Knowledge Engineering cherche davantage à formaliser :

Les deux disciplines sont complémentaires.

Comparer Knowledge Engineering et Knowledge Management.

Méthode pratique de représentation

Un processus simple peut être utilisé pour commencer.

Étape 1 — Définir les questions

Exemples :

Étape 2 — Identifier les concepts

Lister les objets importants du domaine.

Étape 3 — Définir les concepts

Rédiger une définition précise pour chacun.

Étape 4 — Identifier les relations

Exemple :

Une formation développe une compétence.

Étape 5 — Définir les propriétés

Exemple :

Une formation possède une durée.

Étape 6 — Formaliser les règles

Exemple :

SI le participant ne possède pas le prérequis
ALORS recommander une formation préparatoire.

Étape 7 — Identifier les exceptions

Exemple :

Un expert peut valider manuellement l’inscription.

Étape 8 — Ajouter les sources

Chaque connaissance doit être liée à son origine.

Étape 9 — Tester sur des cas réels

Le modèle doit répondre aux questions prévues.

Étape 10 — Valider avec les experts

Les spécialistes doivent vérifier les définitions, relations et règles.

Exemple de fiche de représentation

Concept :
Formation

Définition :
Programme structuré destiné à développer une ou plusieurs compétences.

Relations :
- développe une compétence ;
- possède un prérequis ;
- est animée par un formateur ;
- est mise en œuvre dans une session.

Propriétés :
- titre ;
- durée ;
- niveau ;
- modalité ;
- prix.

Source :
Catalogue de formation.

Date de validation :
12 juillet 2026.

Erreurs fréquentes

Commencer par la technologie

Le besoin doit être défini avant le choix d’un outil.

Confondre mot et concept

Un mot peut posséder plusieurs significations.

Construire une taxonomie alors qu’il faut représenter des relations

Une taxonomie ne suffit pas toujours.

Construire une ontologie trop complexe

Le niveau de formalisation doit rester proportionné au besoin.

Oublier les règles

Une liste de concepts ne représente pas les décisions métier.

Oublier les exceptions

Une règle générale peut devenir incorrecte sans ses limites.

Ne pas conserver les sources

Une connaissance sans provenance est difficile à vérifier.

Ignorer le contexte

Une règle peut dépendre du pays, du produit, de la date ou du type de client.

Confondre proximité sémantique et relation logique

Deux termes proches dans un espace vectoriel ne sont pas nécessairement reliés par une relation métier précise.

Considérer la représentation comme définitive

Les connaissances doivent être maintenues.

À retenir

  1. La représentation des connaissances transforme le savoir en structures exploitables par un système.
  2. Elle utilise des concepts, des instances, des propriétés, des relations, des faits, des règles et des contraintes.
  3. Une taxonomie organise principalement des catégories.
  4. Une ontologie définit plus précisément le sens et les relations d’un domaine.
  5. Un graphe de connaissances relie des entités concrètes.
  6. Les règles permettent de produire des conclusions à partir de faits.
  7. Les contraintes permettent de détecter des incohérences.
  8. Les représentations symboliques et vectorielles répondent à des besoins différents.
  9. Une bonne représentation doit être claire, cohérente, traçable et maintenable.
  10. Le choix du modèle doit toujours dépendre de l’usage prévu.

Vérifiez votre compréhension

Qu’est-ce que la représentation des connaissances ?

C’est le processus qui transforme des connaissances en concepts, relations, règles et structures exploitables par un système informatique.

Quelle différence existe-t-il entre un concept et une instance ?

Un concept représente une catégorie générale. Une instance représente un élément particulier appartenant à cette catégorie.

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 axiomes.

À quoi sert une règle ?

Une règle permet de produire une conclusion ou une action lorsque certaines conditions sont réunies.

À quoi sert une contrainte ?

Une contrainte indique ce qui est obligatoire, interdit ou incohérent dans le système.

Pourquoi conserver la source d’une connaissance ?

Pour permettre sa vérification, son explication, sa mise à jour et sa gouvernance.

Les représentations vectorielles remplacent-elles les ontologies ?

Non. Elles permettent principalement de représenter des proximités sémantiques. Les ontologies rendent les concepts et les relations plus explicites.

Questions fréquentes

Quelle est la meilleure méthode de représentation des connaissances ?

Il n’existe pas de méthode universelle. Le choix dépend du besoin, du domaine, du volume et du niveau de précision attendu.

Une base de données est-elle une représentation des connaissances ?

Elle peut stocker des données structurées, mais elle ne représente pas toujours explicitement leur sens, leurs relations et leurs règles.

Une taxonomie suffit-elle pour construire une base de connaissances ?

Elle peut suffire pour classer des contenus simples. Des relations, règles ou contraintes supplémentaires peuvent être nécessaires pour des usages plus complexes.

Une ontologie est-elle obligatoire ?

Non. Une ontologie devient utile lorsque le domaine nécessite des définitions précises, des relations explicites et des contraintes.

Peut-on combiner plusieurs méthodes ?

Oui. Un système peut combiner une taxonomie, une ontologie, un graphe, des règles et un index vectoriel.

Les LLM peuvent-ils construire automatiquement une représentation des connaissances ?

Ils peuvent proposer des concepts, relations ou règles, mais ces propositions doivent être vérifiées par des experts.

Continuer le parcours

Étape précédente

Acquisition des connaissances : méthodes et processus

Étape suivante

La prochaine étape consiste à distinguer deux structures fréquemment confondues : la taxonomie et l’ontologie.

➡️ Taxonomie et ontologie : quelles différences ?

Revenir au sommaire

Voir le parcours complet de Knowledge Engineering