04Construire la base de connaissances

Une chaîne de production, pas un chargement unique : profiler les données, les décrire avec leurs responsables, réparer ou consigner, indexer avec soin.

La base de connaissances est une chaîne de production qui ne s'arrête pas, là où un chargement unique serait vite périmé (figure 4). Les documents changent chaque semaine et les chiffres chaque mois, et chaque changement doit passer par les mêmes étapes : lire, vérifier, décrire, réparer ou consigner, indexer, et mesurer que rien n'a cassé.

Les experts définissent, valident et complètent source nouvelle ou modifiée Lire Vérifier Décrire Réparer ou consigner Indexer ou connecter Mesurer scans, tableaux, anciens formats versions, doublons, contradictions source, s'applique à, statut, accès combler, sans estimer tronçons, vecteurs, requêtes directes jeu de tests, sans régression répété à chaque changement, ajouts comme suppressions
Figure 4. La base de connaissances comme chaîne de production

Partir du profil des données

L'audit de l'étape Ramper examine toute la collection, y compris la partie difficile : quelle part est scannée, quelle part est en tableaux, quelle part est dans des formats que personne n'a ouverts depuis des années, quelle part en contredit une autre. Ce profil décide des pipelines. Un manuel né numérique, un bulletin scanné des années 1990 et un tableur de modernisations demandent des lecteurs différents et des vérifications différentes. Un pipeline générique unique pour tout est une habitude de démo.

Acheter les pièces, posséder l'assemblage

Les outils qui lisent les scans et les tableaux, découpent le texte en passages ou transforment le texte en vecteurs existent déjà, progressent vite, et doivent en général être adoptés plutôt que construits. On les choisit en les mesurant sur les propres documents et les propres questions de test de l'entreprise. La réputation n'est pas un guide. Ce qui ne s'achète pas, c'est ce qui rend le résultat digne de confiance : la façon dont chaque élément de savoir est décrit, les vérifications, les décisions sur ce qu'il faut réparer, et le jeu de tests. C'est là que va l'effort propre de l'entreprise.

Décrire le savoir avec ceux qui le possèdent

Les informations du contrat ne valent que par leurs définitions. « S'applique à » semble simple jusqu'à ce qu'un expert explique que la configuration d'une locomotive dépend des modernisations qu'elle a reçues, si bien qu'une valeur tirée de son manuel d'origine peut ne plus s'appliquer. Des ingénieurs travaillant seuls créeront le champ et en manqueront le sens. Les experts décident aussi de ce qui compte comme validé : le pipeline exécute des vérifications, mais c'est le métier qui accorde la confiance. Et la confiance a une date. Quand un bulletin remplace une page de manuel, son statut doit changer, et la base de connaissances doit s'en apercevoir.

Réparer, combler ou consigner

Chaque trou trouvé suit la même décision (figure 2). Les défauts sont réparés : numéros de révision manquants, scans illisibles, doublons, versions mal étiquetées, contradictions tranchées par un expert. Le savoir manquant n'est comblé qu'à partir de vraies sources, comme un entretien avec un expert, consigné avec sa propre provenance. Le reste est consigné comme lacune connue. Rien n'est estimé pour paraître complet.

Indexer le texte avec soin

Pour le texte, la recherche porte sur des passages, appelés tronçons (chunks), chacun transformé en vecteur et rangé dans un index interrogé par similarité ; le chapitre 1 de Ce que sont vraiment Claude, Gemini et ChatGPT explique ce que sont les vecteurs. Trois décisions comptent plus que les outils. Le tronçon est l'unité de vérité : un tronçon qui coupe une étape de procédure, ou sépare un tableau de son en-tête, ne peut pas être digne de confiance. Chaque tronçon porte les informations du contrat, sinon la traçabilité et les droits d'accès se rompent au moment de la recherche. Et les références de pièces ou les codes de modèles sont mal retrouvés par les seuls vecteurs, si bien que la recherche par mots-clés travaille à leurs côtés. Changer la façon de découper les documents, ou le modèle qui produit les vecteurs, oblige à retraiter toute la collection : ces choix méritent le plus de soin.

Traiter l'index comme une copie

L'index contient le savoir de l'entreprise sous une autre forme, il doit donc être protégé au niveau de son document le plus sensible. Supprimer une source ne supprime pas ce qui en a été extrait : la chaîne de production doit traiter les suppressions et les retraits aussi fiablement que les ajouts.