Habr AI : les ontologies peuvent devenir une mémoire pour les LLMs, les robots et les assistants d'entreprise

Les ontologies sont de plus en plus discutées non pas comme format de base de connaissances, mais comme couche de mémoire distincte pour les systèmes d'IA. L'idée est simple : si un modèle doit se souvenir d'un utilisateur, de l'état de l'environnement et de l'historique des décisions, le seul contexte en texte brut ne suffit plus.

Pourquoi RAG ne Suffit Pas

Les grands modèles de langage fonctionnent avec assurance tant que la tâche s'inscrit dans la fenêtre de contexte actuelle. Mais dès que les interactions s'étendent sur des semaines ou des mois, des défaillances typiques apparaissent : le modèle perd des détails, reconstruit des faits sur la base d'indices indirects, repose des questions déjà résolues et tient moins compte des caractéristiques individuelles de l'utilisateur. Stocker tout sous forme de longs journaux est peu pratique, et les resummations constantes via un pipeline de summarization éliminent inévitablement des connexions importantes. Pour un agent censé guider une personne, un processus ou un appareil dans le temps, ce n'est plus une petite marge d'erreur—c'est une limitation architecturale.

« RAG a donné aux modèles de langage l'accès aux données.

Les ontologies peuvent leur donner la mémoire. »

Au lieu d'une autre couche de résumés textuels, l'auteur propose de stocker les connaissances comme une structure d'entités, d'événements, de relations et de changements d'état. Dans cette approche, le système ne se souvient pas seulement des paroles des conversations passées, mais d'un modèle de ce qui se passe : avec qui il a affaire, ce qui a déjà été fait, quelles décisions ont été prises, quelles contraintes sont actuellement en vigueur et ce qui a changé depuis la dernière session. Cela transforme la mémoire du mode archive en mode carte opérationnelle du monde—quelque chose que le modèle peut consulter à chaque nouvelle action.

Où Cela Fonctionne

L'exemple le plus clair est un bot pédagogique. S'il discute avec un étudiant depuis des mois, mémoriser des fragments de conversation ne suffit pas. Il faut une image cumulative du progrès : quels sujets sont déjà maîtrisés, où les erreurs se répètent, quelles explications ont fonctionné et lesquelles non. La même logique s'applique au support client et aux assistants d'entreprise, où l'historique d'interaction devient rapidement trop long même pour un humain, et a fortiori pour un modèle qui recommence presque à zéro chaque fois.

• Profil utilisateur et ses objectifs
• Sujets maîtrisés, lacunes et erreurs persistantes
• Accords, statuts et décisions antérieures
• Méthodes d'explication ou de réponse réussies
• Connexions entre objets, règles, risques et actions

Cela est encore plus évident en robotique. Un robot ne peut pas simplement « deviner » statistiquement que les œufs, une poêle et une cuisinière sont liés à un scénario de cuisine. Cela suffit pour une démo, mais pas pour un environnement réel. Il a besoin d'un modèle du monde apprenable où chaque objet est décrit par sa fonction, ses propriétés, ses scénarios valides et ses contraintes. Lorsqu'un robot entre dans un nouvel entrepôt, atelier ou appartement, cette mémoire l'aide non seulement à reconnaître les objets, mais aussi à comprendre comment on peut et ne peut pas interagir avec eux.

Pourquoi C'est Important pour les Entreprises

L'idée est particulièrement importante pour les entreprises qui veulent utiliser l'IA dans une boucle fermée. Les banques, les entreprises industrielles, les équipes d'ingénierie et toute organisation ayant des données sensibles ne sont pas toujours disposées à confier les informations à des modèles cloud externes. Pendant ce temps, les LLM locaux sont souvent plus faibles que les meilleurs services. La couche ontologique fonctionne ici comme un amplificateur : une partie de « l'intelligence » se déplace des poids du modèle vers une structure de connaissances externe, et même un système on-premises compact commence à répondre avec plus de précision, de fiabilité et en tenant compte du contexte accumulé.

Il y a un second avantage pratique—l'explicabilité. Dans la pile classique de LLM, l'explication se réduit souvent à un beau texte ou à un lien source. Une ontologie fournit une mécanique plus vérifiable : vous pouvez montrer à travers quelles entités et relations le système a atteint sa conclusion. Pour les scénarios d'entreprise, c'est aussi critique que la précision.

Cette couche commence graduellement à fonctionner comme un système d'exploitation des connaissances : à travers lui, vous pouvez connecter des documents, des tableaux, des images, des événements et même des données de capteurs en une seule carte opérationnelle du monde.

Ce Que Cela Signifie

La principale conclusion de l'article est simple : la prochaine étape de l'IA appliquée n'est pas seulement d'améliorer la recherche de documents, mais de changer l'unité de connaissance. Le passage d'un fragment de texte à un fait, d'une archive à un modèle du monde et d'un contexte à une mémoire rend les agents, assistants et robots notablement plus utiles. Pour le marché, cela signale que les architectures hybrides avec LLM et une couche ontologique ressemblent de moins en moins à une idée académique et de plus en plus à une orientation d'ingénierie pratique.