Un framework formel pour structurer la connaissance en objets de décision exécutables
Abstract
Cet article introduit une approche ontology-first pour la conception de systèmes de décision, où l'unité fondamentale n'est pas une page, un document ou un outil, mais une entité computationnelle—une représentation structurée et exécutable de la connaissance qui intègre définitions, variables, contraintes, transformations et logique décisionnelle.
Les systèmes d'information traditionnels séparent le contenu du calcul, produisant une fragmentation entre la représentation de la connaissance et les sorties actionnables. Nous proposons un framework unifié dans lequel les structures ontologiques définissent directement le comportement computationnel, permettant des processus de décision déterministes, auditables et scalables.
L'architecture formalise les entités comme des objets typés avec des règles intégrées, permettant la génération automatique de calculateurs, d'évaluateurs et d'interfaces de décision. Ce paradigme supporte des applications multi-domaines, notamment la modélisation financière, les calculs d'ingénierie, la conformité réglementaire et les systèmes de décision assistés par IA.
1. Introduction
La plupart des systèmes numériques traitent :
- Le contenu comme du texte statique
- Le calcul comme une logique séparée
Cette séparation produit incohérence, duplication, manque de traçabilité et faible fiabilité décisionnelle. Nous proposons un changement de paradigme :
Des pages aux entités computationnelles
Dans ce nouveau paradigme, chaque unité de connaissance est structurée, typée, exécutable et composable.
2. Énoncé du problème
Les systèmes traditionnels sont définis comme :
Système = Contenu + Code
Avec un couplage faible entre les deux. Nous redéfinissons le système comme :
Système = {E_1, E_2, ..., E_n}
Où chaque E_i est une entité computationnelle :
E = (D, V, C, R, T, O)
Où :
- D : définitions
- V : variables
- C : contraintes
- R : règles
- T : transformations
- O : sorties
3. Modèle d'entité computationnelle
3.1 Définition formelle
Une entité computationnelle est une fonction :
E: (V, C, R) → O
soumise à :
C(V) = true
et :
O = T(R(V))
3.2 Propriétés
Chaque entité doit être déterministe, auditable, versionnée, composable et context-aware.
3.3 Schéma d'entité (Exemple)
{
"entity_id": "loan_payment",
"type": "financial_calculation",
"inputs": ["principal", "rate", "term"],
"constraints": ["principal > 0", "rate >= 0"],
"formula": "PMT = P * r / (1 - (1 + r)^-n)",
"outputs": ["monthly_payment"]
}
4. Conception ontology-first
4.1 Couche ontologique
Cette couche définit les entités, les relations, les types et les hiérarchies.
Exemple :
FinancialEntity
├── Loan
├── Mortgage
└── Investment
4.2 Couche d'exécution
Transforme l'ontologie en calculateurs, moteurs de décision et évaluateurs.
4.3 Séparation des responsabilités
| Couche | Responsabilité |
|---|---|
| Ontologie | Signification |
| Règles | Logique |
| Moteur | Exécution |
| Interface | Présentation |
5. Architecture
Figure 1 — Système ontology-driven
Couche ontologique
↓
Définitions des entités
↓
Rule Engine
↓
Execution Engine
↓
Sorties (Calculateurs / Décisions)
Figure 2 — Composition d'entités
Entité A (Entrées)
↓
Entité B (Transformation)
↓
Entité C (Décision)
6. Pipeline de décision
Nous définissons un pipeline où chaque étape est régie par des règles d'entité :
Entrée → Validation → Transformation → Évaluation → Sortie
7. Relation avec les paradigmes existants
7.1 Knowledge Graphs
Représentent les relations, mais généralement sans logique exécutable.
7.2 Systèmes à base de règles
Exécutables, mais souvent non structurés sémantiquement.
7.3 Systèmes de machine learning
Prédictifs, mais généralement non interprétables.
7.4 Notre contribution
Nous unifions ontologie, règles et exécution dans une structure unique et cohérente.
8. Intégration avec les systèmes de décision
Ce framework s'intègre avec les Dual-Evidence Systems, les scoring engines et les pipelines d'optimisation. Chaque entité peut produire des caractéristiques de façon indépendante, évaluer des contraintes et générer des sorties.
9. Cas d'usage
- Calculateurs financiers : Prêts, ROI, fiscalité.
- Systèmes d'ingénierie : Calculs structurels, vérifications de sécurité.
- Policy engines : Conformité, réglementation.
- Decision Intelligence Platforms : Simulation de scénarios, optimisation.
10. Propriétés formelles
10.1 Composabilité
E_3 = E_2(E_1(x))
10.2 Idempotence (optionnelle)
E(E(x)) = E(x)
10.3 Déterminisme
E(x) = y ⇒ E(x) = y
11. Limites
- Complexité de la conception ontologique
- Risque d'explosion des règles
- Besoin d'une gouvernance stricte
- Rigidité potentielle
12. Travaux connexes
- Ontology Engineering : Gruber (1993) — Ontologies comme spécifications de conceptualisations.
- Représentation des connaissances : Frameworks RDF / OWL.
- Systèmes à règles : Systèmes experts, Prolog.
- Systèmes de décision : Théorie de la décision, analyse de décision multicritère.
13. Travaux futurs
- Génération automatique d'ontologies
- Intégration avec les LLMs
- Systèmes hybrides symboliques et statistiques
- Entités auto-mises à jour
14. Conclusion
Nous proposons un changement de perspective :
Des systèmes content-driven aux systèmes computationnels ontology-driven
Cela permet une cohérence, une scalabilité, une traçabilité et une fiabilité décisionnelle sans précédent dans des domaines complexes.
Références
- Gruber, T. (1993). A translation approach to portable ontology specifications. Knowledge Acquisition.
- Newell, A. (1982). The knowledge level. Artificial Intelligence.
- Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach. Pearson.
- Pearl, J. (2000). Causality: Models, Reasoning, and Inference. Cambridge University Press.