La pyramide du savoir : comment les données et les informations deviennent des connaissances

L'échelle du savoir – un modèle alternatif

L'échelle des connaissances est une extension de la pyramide des connaissances. Elle se concentre spécifiquement sur les besoins des entreprises et l'analyse du Big Data. Les différents niveaux correspondent à ceux de la pyramide des connaissances, auxquels s'ajoute un cinquième : les compétences. Cependant, ce modèle repose sur des étapes plutôt que sur des niveaux. L'objectif est de créer systématiquement de la valeur à partir des données: l'entreprise parvient à mettre en œuvre avec succès les recommandations d'action et atteint ainsi ses objectifs.

L'échelle du savoir comprend cinq niveaux : données, informations, savoir, action et compétence. (Source : représentation propre)

Données, informations et connaissances : signification de ces termes

Dans le cadre de la pyramide du savoir, les données décrivent des grandeurs mesurables qui sont enregistrées numériquement, par exemple une séquence de chiffres donnée. À elles seules, elles ne fournissent dans un premier temps aucune indication sur leur signification. Cependant, lorsque les données sont complétées par d'autres attributs ou métadonnées, elles deviennent des informations : par exemple, la séquence de chiffres correspond au numéro d'article d'un produit acheté par un client X. En associant cette information au contexte et à l'expérience, on obtient finalement de la connaissance.

Restez informé des dernières nouveautés en matière de personnalisation : inscrivez-vous à la newsletter epoq.Inscrivez-vous dès maintenant!

Si le produit acheté est par exemple un ballon de football, la référence du produit acheté peut donner une indication sur les préférences du client. Fort de cette information, vous pouvez, en tant que gérant de boutique, proposer des recommandations personnalisées sous forme d'articles assortis (chaussures de football, maillot, pompe à ballon) qui intéressent précisément ce client.

Comment l'intelligence artificielle génère des connaissances – exemples

Il existe deux types d'intelligence artificielle (IA) : l'IA basée sur les connaissances ou les systèmes experts et l'IA basée sur les données.

Intelligence artificielle basée sur la connaissance

L'IA basée sur les connaissances, également appelée système expert, aide les experts humains à prendre des décisions. Pour cela, les experts enregistrent d'abord les connaissances nécessaires et les rendent compréhensibles pour l'ordinateur. Sur cette base, le système élabore des solutions qui sont ensuite présentées à l'utilisateur humain sous une forme compréhensible. Ces systèmes experts sont moins intelligents que l'IA basée sur les données.

Au lieu de cela, la prise de décision s'effectue ici selon des règles fixes « si..., alors... », grâce auxquelles le programmeur communique sa base de connaissances à la machine. La machine est alors moins flexible et moins autonome dans sa prise de décision. L'un des inconvénients des systèmes experts réside donc dans le fait que les connaissances transmises peuvent devenir obsolètes.

Exemple de système expert : dans le cas des recommandations des meilleures ventes, en tant que gérant de boutique, vous spécifiez très précisément les produits que vous souhaitez et indiquez clairement au système « Donnez-moi les produits les plus vendus au cours des x derniers jours ». En tant qu'expert, vous estimez donc que les produits fréquemment achetés constituent un bon choix pour vos recommandations.

Les recommandations des meilleures ventes sont un exemple d'utilisation d'un système expert.
(Source : capture d'écran de gepps.de)

Intelligence artificielle basée sur les données

Dans ce cas, l'IA doit être entraînée à l'aide d'algorithmes et de modèles statistiques afin de pouvoir tirer des conclusions pertinentes à partir d'une série de données. Il existe différentes approches pour ces procédures d'entraînement, telles que l'apprentissage supervisé, l'apprentissage non supervisé ou l'apprentissage par renforcement. Une fois que l'IA a identifié les modèles et les dépendances recherchés entre les données, elle peut prendre des décisions de manière autonome. Cependant, la prise de décision de l'IA est difficile à comprendre. De plus, elle dépend fortement de la qualité des données et ne convient pas à toutes les tâches. Par exemple, les caractéristiques esthétiques, qui jouent un rôle important dans les recommandations de produits, sont difficiles à transmettre à une IA.

Exemple d'IA basée sur les données : si, en tant que gérant de boutique, vous souhaitez obtenir de « bonnes recommandations alternatives », vous pouvez envoyer une demande à l'IA et lui indiquer ce que vous souhaitez. L'intelligence artificielle décide, sur la base des données, quelles sont ces recommandations. Vous aidez donc légèrement l'IA en lui indiquant quelle stratégie (dans notre exemple, « alternatives ») doit être utilisée. Il y a donc ici aussi un peu d'expertise.

Les recommandations de produits sous forme d'alternatives sont un exemple d'utilisation de l'IA basée sur les données.
(Source : capture d'écran de fackelmann.de)

Pyramide des connaissances et IA – base de la personnalisation

En tant que base pour les moteurs d'IA, la pyramide des connaissances joue donc également un rôle décisif dans la personnalisation du commerce électronique. Comme expliqué précédemment, le processus consistant à prendre des décisions basées sur des données est divisé en trois parties. Dans ce qui suit, nous appliquons à nouveau ce processus à la personnalisation assistée par l'IA dans le commerce électronique.

Restez informé des dernières nouveautés en matière de personnalisation : inscrivez-vous à la newsletter epoq.Inscrivez-vous dès maintenant!

Dans le domaine du commerce électronique, le terme « big data » désigne toutes les données collectées dans le cadre des achats en ligne. Cela inclut donc le comportement en matière de clics et d'achats, qui peut être enrichi par des données provenant du système de boutique ou du système de gestion des marchandises.

Les informations sont désormais les données qui sont déterminantes pour la sélection des recommandations personnalisées aux clients. L'art de reconnaître des modèles et des corrélations dans les données afin d'en extraire des informations utiles pour la boutique en ligne s'appelle le data mining. Son utilisation permet de créer des données intelligentes, qui présentent une densité d'informations nettement supérieure à celle de la masse de données volumineuses précédente.

La connaissance est désormais la capacité à prendre des décisions sur la base d'informations et à l'aide de l'expérience. Cette expérience peut être acquise non seulement par l'homme, mais aussi par une machine. Ainsi, le processus d'apprentissage par renforcement peut par exemple être utilisé pour prendre des décisions de personnalisation à partir d'informations données.