Modèles et plateformes d’IA
Collate annonce Ontology Studio pour donner aux agents d’IA le contexte métier

Points clésOntology Studio associe les concepts métier aux actifs de données afin que les agents…
Voir plus
- Ontology Studio associe les concepts métier aux actifs de données afin que les agents cessent de deviner la signification des colonnes.
- Les outils de graphe de connaissances fonctionnent sur une projection bêta désactivée par défaut.
- Les ontologies exportées dans des formats ouverts restent des actifs réutilisables lorsque les entreprises changent de fournisseur d'IA.
Collate, l’entreprise à l’origine d’OpenMetadata, a annoncé Ontology Studio, un espace de travail permettant de définir des concepts métier, de les relier aux données de l’entreprise et de rendre leur signification accessible aux agents d’IA. L’objectif est d’aider les agents à s’appuyer sur les définitions et les relations propres à une organisation, plutôt que de deviner le sens d’un nom de table ou de colonne.
Annoncé le 17 novembre, Ontology Studio fait partie de Collate 2.1. Sa disponibilité générale est prévue pour la fin du mois. L’outil s’appuie sur des normes ouvertes pour permettre aux entreprises d’examiner et d’exporter les modèles métier qu’elles créent, y compris les correspondances avec les ressources de données qui les mettent en œuvre.
Cette nouveauté répond à un problème que des modèles de langage plus performants ne suffisent pas à résoudre : un système peut trouver un jeu de données et écrire du code valide pour l’interroger, tout en comprenant mal ce que l’entreprise considère comme un client actif, un chiffre d’affaires reconnu ou un type de prêt particulier.
Ce qu’une ontologie apporte à un agent d’IA
Une ontologie décrit des concepts et leurs relations sous une forme exploitable par un logiciel. Un glossaire peut définir le terme « prêt » dans un paragraphe. Une ontologie peut aussi préciser qu’un prêt comporte un principal et une durée, qu’il est associé à un client et qu’il est relié à un compte par une relation nommée.
Ces détails donnent à un agent un parcours structuré pour répondre à une question. Prenons un agent chargé d’analyser l’activité de prêt : avant d’interroger une base de données, il doit déterminer quelles ressources correspondent à des prêts, quels liens unissent les clients à ces prêts et quelles définitions s’appliquent. Une ontologie mise en correspondance avec ces ressources peut fournir ce contexte.
Ontology Studio permet aux équipes de définir des concepts dotés de propriétés typées et de relations nommées et orientées, puis d’examiner et de publier des modèles versionnés. Les concepts peuvent être reliés à des tables, des colonnes, des tableaux de bord et d’autres ressources de données.
Cela permet également de distinguer le sens métier de la traçabilité technique des données. La traçabilité décrit la façon dont les données circulent entre les systèmes ou y sont transformées. Une relation métier décrit ce que représentent les données, par exemple le fait qu’un prêt appartient à un client. Ces deux notions sont utiles à un agent, mais répondent à des questions différentes.
Les normes ouvertes qui sous-tendent le modèle
Ontology Studio s’appuie sur des technologies éprouvées du Web sémantique, sans obliger les entreprises à représenter l’ensemble de leurs activités dans un format propriétaire.
- OWL, le langage d’ontologie du Web, fournit un moyen formel de représenter des classes, des propriétés et des relations, en donnant aux logiciels des significations explicites à exploiter.
- SKOS, le système simple d’organisation des connaissances, permet de représenter des vocabulaires contrôlés et des relations telles que les concepts plus généraux, plus spécifiques ou associés.
- SPARQL est un langage d’interrogation des graphes RDF qui permet aux logiciels de poser des questions structurées sur des concepts et des métadonnées reliés entre eux.
Collate indique que les organisations peuvent importer et exporter des ontologies dans des formats tels qu’OWL, Turtle, RDF/XML et JSON-LD, tout en préservant les identifiants, les définitions et les relations. L’entreprise souligne également que les correspondances avec les données sont conservées lors de l’exportation du modèle.
C’est important lorsqu’une entreprise change de fournisseur d’IA ou de plateforme de données. Conserver le modèle métier dans un format échangeable en fait une ressource réutilisable, au lieu de laisser les définitions intégrées à l’interface d’un seul fournisseur. Les outils compatibles doivent toutefois prendre en charge les normes et les correspondances pertinentes pour que le modèle reste utile après la migration.
Comment les agents accèdent au graphe de connaissances
Les agents accèdent à l’ontologie par l’intermédiaire du serveur Model Context Protocol de Collate. MCP fournit une interface commune permettant à une application d’IA de découvrir des outils et de les appeler. Dans ce cas, ces outils permettent à un agent de décrire l’ontologie, d’explorer les relations autour d’une entité et d’exécuter des requêtes SPARQL en lecture seule.
Un graphe de connaissances organise les concepts et les métadonnées sous forme d’entités reliées entre elles. Une requête sur le graphe peut récupérer en une seule fois plusieurs relations pertinentes, ce qui aide un agent à réunir le contexte nécessaire sans devoir demander à plusieurs reprises chaque élément voisin séparément. La requête obtenue et le chemin des relations peuvent également fournir à un évaluateur des éléments concrets à examiner pour comprendre une réponse.
L’annonce précise une limite importante de cette fonctionnalité : les outils s’appuient sur la projection en graphe de connaissances de Collate, qui est en version bêta et désactivée par défaut. Les équipes doivent activer et évaluer ce composant pour utiliser les outils d’agent reposant sur le graphe.
La page produit explique que cette projection est une copie en graphe des métadonnées de la plateforme, et non un remplacement des bases de données métier sous-jacentes. Les requêtes portant sur les données opérationnelles continuent de s’exécuter là où se trouvent ces données, par exemple dans un entrepôt de données ou une couche sémantique existante. L’ontologie aide à repérer les définitions et les ressources appropriées.
S’appuyer sur OpenMetadata et les connaissances métier existantes
Collate repose sur OpenMetadata, une plateforme open source qui rassemble des métadonnées telles que les schémas, les responsables, les classifications, les informations sur la qualité et la traçabilité. Ontology Studio ajoute un espace de création dédié au sens métier associé à ces ressources.
La présentation de la version 2.1 de Collate distingue le produit géré de ses fondations open source : Ontology Studio est une fonctionnalité de Collate, tandis que les outils de graphe de connaissances accessibles via MCP sont proposés à la fois pour Collate et OpenMetadata. Les organisations qui évaluent cette annonce devraient distinguer l’espace de travail commercial des normes ouvertes et des composants de plateforme partagés sur lesquels il repose.
Les kits de démarrage sectoriels offrent une autre manière d’aborder le système. L’annonce répertorie des modèles fondés sur FIBO pour la finance, HL7 FHIR pour la santé, GS1 et EPCIS pour les chaînes d’approvisionnement, ISA-95 pour l’industrie manufacturière, ainsi que HR Open Standards. Ils fournissent des structures de départ que les équipes peuvent étendre et associer à leurs propres données.
Collate cite Scout24 comme exemple de son approche plus large en matière de plateforme de contexte. L’entreprise derrière ImmoScout24 s’appuie sur des définitions de données partagées, une documentation assistée par l’IA et une vérification humaine pour soutenir ses agents d’IA internes. Cette combinaison souligne le rôle continu des experts du domaine pour que le contexte métier reste utile.
Les définitions partagées nécessitent toujours des responsables
« Les métadonnées, le sens et la mémoire ont leur place dans une même plateforme de contexte », a déclaré Sriharsha Chintalapani, cofondateur et directeur technique de Collate. Il a expliqué que l’objectif est que les agents et les employés s’appuient sur les mêmes définitions métier.
Une ontologie peut expliciter ces définitions et en faciliter la réutilisation, mais sa valeur dépend de la qualité du modèle et de son lien avec les données à jour. Des correspondances erronées ou des règles obsolètes peuvent fournir à un agent une explication structurée qui mène à une mauvaise réponse.
Pour les entreprises, la proposition d’Ontology Studio consiste à offrir un moyen plus facile à gérer de créer et de maintenir ce contexte partagé : modéliser l’activité, relier le modèle aux ressources réelles, le rendre accessible au moyen d’outils standard et conserver la possibilité de le transférer dans un autre environnement.












