Sia s’associe à Neo4j et Lettria pour construire des Enterprise Knowledge Layers

Les agents IA ne se limitent plus à répondre à des questions isolées. Les organisations attendent de plus en plus d’eux qu’ils éclairent les décisions et prennent part aux processus métier. Pour le faire de manière fiable, les agents ont besoin de plus qu’un simple accès à l’information : ils doivent comprendre comment fonctionne l’entreprise, comment ses entités sont reliées entre elles et quelles règles s’appliquent.

Ces connaissances sont souvent dispersées entre des systèmes structurés et des sources non structurées, comme les contrats, les rapports de recherche, la documentation technique, les procédures, les e-mails ou l’expertise des collaborateurs. La génération augmentée par récupération (RAG) permet de retrouver les passages pertinents, mais les questions qui traversent plusieurs systèmes ou qui mobilisent plusieurs faits liés restent plus difficiles à traiter et à vérifier. Différentes équipes peuvent utiliser un même terme dans des sens différents, et les relecteurs ne sont pas toujours en mesure de rattacher une réponse à sa source et à la règle qui la fonde.

Une Enterprise Knowledge Layer relie données structurées et contenus non structurés, en s’appuyant sur les systèmes que l’organisation utilise déjà. Elle n’impose ni migration ni remplacement des sources existantes.

Les ontologies définissent le vocabulaire métier partagé : concepts, entités, relations et règles. Les graphes de connaissances relient ces concepts entre eux, ainsi qu’aux données et documents où réside la connaissance. Les experts métier valident et maintiennent le modèle, en l’ancrant dans la réalité du fonctionnement de l’entreprise. Propulsés par Neo4j, les graphes de connaissances fournissent le contexte métier connecté sur lequel repose un Context Engine, aidant les agents IA à accéder aux connaissances pertinentes de l’entreprise et à raisonner dessus.

Cette approche est particulièrement précieuse pour les données non structurées. Les documents peuvent être analysés pour en extraire entités, faits et relations, puis être reliés aux concepts métier et aux données structurées correspondants. Les assistants IA peuvent s’appuyer sur ces liens pour répondre à des questions croisant plusieurs sources et orienter les relecteurs vers les documents et règles qui étayent la réponse.

Structurer la connaissance permet aussi de maîtriser la consommation de tokens et les coûts d’inférence. Plutôt que d’envoyer de larges volumes de texte au modèle à chaque question, un agent peut récupérer la partie pertinente du graphe et travailler avec un contexte plus ciblé.

Le partenariat rassemble des compétences distinctes pour construire cette couche et la déployer à l’échelle. Lettria aide à structurer documents et données sous forme d’ontologies et de graphes de connaissances. Neo4j fournit la technologie de graphe permettant de les exploiter en production. Sia pilote le cadrage des cas d’usage, l’architecture et l’adoption, afin que la couche de connaissance réponde à de véritables besoins métier.

Cette approche prend déjà forme chez L’Oréal Recherche & Innovation, où Sia travaille depuis deux ans à rendre 116 ans de connaissances scientifiques exploitables par les experts et par l’IA.

Construire une Enterprise Knowledge Layer est un chantier de long terme. Notre approche aide les organisations à la bâtir étape par étape, en commençant par un cas d’usage ciblé. Pour démarrer, un diagnostic de quatre semaines cartographie les données et la gouvernance concernées, priorise les cas d’usage et vérifie la pertinence d’une approche fondée sur les graphes. Un pilote de huit à douze semaines construit ensuite la couche pour un domaine et livre un assistant, évalué avec les équipes métier sur un ensemble de questions et de résultats cibles convenus, avant toute décision de mise en production.

Les organisations conservent leurs ontologies, leur documentation et leur méthode de fonctionnement dans des formats ouverts. À mesure que de nouveaux cas d’usage émergent, les experts métier peuvent enrichir le modèle et le relier à d’autres domaines, plutôt que de reconstruire le contexte de zéro.

L’objectif : faire de la connaissance de l’entreprise un actif partagé et gouverné, sur lequel chaque cas d’usage peut s’appuyer, pour que les collaborateurs comme l’IA puissent agir à partir de ce que l’organisation sait.