Le KM peut-il améliorer la qualité des réponses de l’IA en entreprise ?

De plus en plus d’entreprises lancent des expérimentations d’outils d’intelligence artificielle branchés sur leurs bases de connaissances internes : chatbot pour répondre aux questions des employés, Copilot, Gemini, Mistral ou ChatGPT pour produire des synthèses sur des thématiques…

Les résultats sont souvent décevants. Des erreurs se glissent dans les réponses (hallucinations), des contenus sont oubliés (silences), des relations telles que « X est un client » sont ignorées.

Comment les méthodes et outils du knowledge management peuvent-ils aider à améliorer les résultats ?

Le KM pour développer son expertise

Le KM (gestion des connaissances) implique les personnes, la culture, les processus, les technologies et la gouvernance nécessaires pour capturer, gérer, partager et diffuser des connaissances.

Un système de knowledge management dans mon entreprise — Pour faire quoi ?

La COVID-19 a eu un impact significatif sur la perte de connaissance collective dans les organisations. Le télétravail a réduit les échanges informels dans les couloirs. La grande démission qui a suivi, en particulier celle des experts, a fait disparaitre des connaissances critiques.

La mission du KM est de capturer les connaissances des personnes, de les expliciter en objets de connaissance et de les lier entre elles, pour les rendre non seulement trouvables, mais aussi compréhensibles et exploitables.

Par exemple, quelqu’un qui recherche des réponses à une question peut :

• Via le moteur de recherche, accéder à une liste de documents et des noms d’experts du domaine.
• Via un des experts, accéder à des réponses précises et joindre sur ses conseils une communauté de pratique.
• Via un des messages postés sur le forum de la communauté, suivre un module de formation recommandé par un des membres.
• Via le module de formation, accéder à un article de référence sur l’encyclopédie interne de l’entreprise.
• Via l’article sur l’encyclopédie interne, accéder à un document de référence et à une vidéo sélectionnés par l’auteur de l’article.

De cette manière, on peut traverser les objets de connaissance, passer de l’un à l’autre, explorer le savoir collectif à son rythme et ainsi choisir les manières de développer son expertise.

Le KM rend les objets de connaissance exploitables par les humains et les machines

Ces objets de connaissances, pour être exploitables, doivent avoir suivi un processus KM :

• Capture et explicitation: les connaissances dans la tête des experts sont explicitées sous diverses formes : documents écrits, vidéo… les livrables remarquables sont capturés. Ces objets de connaissance sont formatés selon des modèles (modèles de documents types…), les titres sont explicites et normés…, ceci pour faciliter l’exploitation par des humains (identification du sujet, compréhension du contenu…).
• Validation: Les objets de connaissances sont validés par l’organisation (les pairs d’une communauté, un expert…), afin que le futur lecteur puisse avoir confiance en leur véracité.
• Capitalisation: les objets de connaissance sont conservés sous une forme structurée dans des bases de connaissance. Des métadonnées sont ajoutées (type d’équipement, domaine d’application, technologie utilisée…), ceci pour faciliter l’exploitation par des machines (indexation, recherche, IA…).
• Diffusion : les objets de connaissance sont mis à dispositions selon une stratégie omnicanal (site web, application sur tablette/téléphone, papier…) mais aussi via des moteurs de recherche, des applications d’IA générative…
• Mise à jour : les objets de connaissance sont régulièrement ré-évalués par leur propriétaire (communauté de pratique, équipe…), afin de s’assurer qu’ils sont toujours pertinents.

Il est impossible de tout capturer. Ce serait trop coûteux et superflu. Par conséquent, on identifie les connaissances critiques au sein de l’organisation sur lesquelles concentrer les efforts de capture et d’explicitation.

Définition d’une connaissance critique : (1) La perte de cette connaissance ou l’insuffisance de sa maintenance entraîne un risque d’incapacité de l’organisation à mener sa mission et/ou met en danger la sécurité de ses installations (utilité) ET (2) Cette connaissance n’est pas disponible sur le marché, et sa maîtrise s’obtient par la pratique sur une longue durée (unicité) ET (3) Il existe un risque de perte réel (vulnérabilité), risque qui est à ré-évaluer régulièrement.

Les objets de connaissances sont rarement conservés dans un seul endroit ; ils sont généralement répartis sur plusieurs bases de connaissances internes selon les besoins et les fonctionnalités demandées par les utilisateurs : GED métier, portail KM, wiki-encyclopédie d’entreprise, LMS, serveurs de fichiers, sites SharePoint, équipes Teams, DAM, SAE…

L’IA générative dans l’entreprise ne fonctionne pas très bien

L’IA en entreprise, et en particulier l’IA générative, représente un potentiel énorme pour les entreprises. Leurs employés utilisent depuis deux ans des outils d’IA générative pour des taches simples : résumer un document ou une réunion, aider à rédiger un courriel, produire des PowerPoint à partir d’un document…

Des entreprises expérimentent des outils d’IA générative branchés sur leurs bases de connaissances internes : chatbot pour répondre aux questions des employés, Copilot, Gemini, Mistral ou ChatGPT pour produire des synthèses ou des exposés sur des thématiques métier…

Elles réalisent cependant que ce qui marche bien sur Internet, ChatGPT, Copilot, etc., ne fonctionne pas aussi bien à l’intérieur de leur organisation. Deux raisons à cela :

• Elles n’ont pas construit de modèles de données spécifiques à leur business.
• Le contenu interne ingéré par ces outils n’a pas été aussi bien validé et filtré que celui des sources Internet. En effet, se brancher sur des sites web de journaux réputés est bien plus fiable que de se brancher sur le vrac des serveurs de fichiers et des sites SharePoint.

Les résultats sont souvent décevants. Des erreurs se glissent dans les réponses (hallucinations), des informations importantes sont oubliées (silences), des relations telles que « X est un client » sont ignorées.

Ces erreurs sont en réalité des déductions erronées, ce qui signifie que le modèle est faux, qu’il a ingéré une information incorrecte (matériel de base incorrect) ou qu’il n’a pas fait le lien entre des concepts.

Les entreprises ne peuvent pas se permettre ces erreurs. Que se passerait-il si un employé prenait une décision basée sur une IA ayant halluciné ou ayant oublié une information majeure ?

Le KM pour aider l’IA à faire moins d’erreurs

Les méthodes et outils de la gestion des connaissances (KM) aident l’intelligence artificielle (AI) de plusieurs façons :

• Taxonomie: Donner un sens et un contexte à l’IA en définissant des termes métier et en créant des hiérarchies, ce qui aide l’IA à comprendre et à déduire les informations correctes.
• Ontologie: Cartographier les relations au sein de l’organisation, ce qui permet à l’IA de faire des déductions sur l’expertise et les connaissances en se basant sur ces relations.
• Types de contenu: Normaliser le format des connaissances, ce qui facilite le traitement et la compréhension des informations par l’IA.
• Gouvernance: Garantir la fiabilité et la véracité du contenu utilisé par l’IA, en empêchant la diffusion d’informations obsolètes ou incorrectes.
• Capture des connaissances: Faciliter l’acquisition de connaissances tacites auprès d’experts, qui peuvent ensuite être utilisées pour améliorer les modèles d’IA et leur précision.

Quelques exemples de la manière dont le KM peut aider l’IA :

• Exemple de taxonomie : Une organisation utilise une taxonomie pour définir et organiser les termes métier. Cela aide l’IA à comprendre le contexte de termes tels que « Oasis », en faisant la distinction entre une marque de boisson, un groupe de rock, une étendue d’eau dans un désert ou un lieu de repos.
• Exemple d’ontologie : En mettant en correspondance des relations telles que « Louis-Pierre travaille chez Amallte » et « Amallte est expert en gestion des connaissances », l’IA peut déduire que Louis-Pierre possède une expertise en gestion des connaissances.
• Exemple de types de contenu : La normalisation des formats de contenu, par exemple en plaçant les résumés et les mots clés dans une section spécifique, permet à l’IA de traiter et de hiérarchiser les informations plus efficacement, ce qui améliore la précision des réponses.
• Exemple de gouvernance : S’assurer que tout contenu ingéré par l’IA est à jour et fiable, pour empêcher l’IA d’utiliser des informations obsolètes ou incorrectes, ce qui est crucial pour générer des résultats précis et fiables.
• Exemple de capture des connaissances : La capture de connaissances d’experts par le biais d’entretiens structurés ou lors d’ateliers collaboratifs permet à l’IA d’intégrer ces informations précieuses dans ses modèles, améliorant ainsi ses capacités de prise de décision.

En mettant en œuvre l’ensemble de ces éléments, le KM renforce la capacité de l’IA générative à fournir des informations précises, fiables et contextuelles au sein d’une organisation.

Louis-Pierre GUILLAUME, Fondateur et Directeur associé chez AMALLTE

Merci à  Zach Wahl pour son webinaire @ SIKM de Novembre 2024

Pour en savoir plus

“Artificial Intelligence (AI) and machine learning (ML) technologies do not eliminate the need for establishing a sustainable KM program. Rather, they make foundational KM practices even more essential.” Gartner, 2023

The Transformative Power Of Generative AI And Knowledge Management, Forbes/Forrester, juillet 2024

Un système de knowledge management dans mon entreprise — Pour faire quoi ?

Call to Action—Diagnostic gratuit

Pour évaluer votre gestion des connaissances et optimiser vos outils d’IA générative.

Demandez un RDV de 45 minutes : https://amallte.com/diag