1 – La richesse sémantique de l’entreprise

• Exercice de mise en situation réelle : définissons des termes que nous connaissons et d’autres que nous ne connaissons pas
• Exemples de thésaurus et d’ontologies dans plusieurs secteurs d’activité : transports (Airbus Skywise, Alstom ATMO), bâtiment, secteur public, agro-alimentaire, énergie (OSDU), …
• Préalable : définir les domaines de données – S’appuyer sur la méthodologie du plan de classement (ISO 15489)
• Introduction du concept de Knowledge Weaving : tisser des liens logiques entre informations sans les dupliquer
• De l’architecture sémantique au système nerveux numérique : résoudre la dette sémantique
• Comment embarquer les décideurs dans une démarche d’architecture sémantique
• A l’ère de l’indexation automatique intégrale, pourquoi une organisation formalisée reste-t-elle nécessaire ?

2 – Glossaire métier et dictionnaire de données : la base

• Comprendre ces deux artefacts basiques, leurs différences, leur complémentarité
• Le glossaire métier : définitions en langage naturel, portées par le métier
• Construire le glossaire métier, à partir d’une expression informelle par les métiers
• Du glossaire métier au plan de classement : organiser des ateliers de manière ludique pour faire émerger le non-dit
• Pourquoi les combiner : le glossaire sans dictionnaire est flou, le dictionnaire sans glossaire est illisible
• Le cycle de vie d’une entrée dans le glossaire : création, validation, publication, utilisation, dépréciation
• Qui fait quoi : les rôles du data steward, du data owner, de l’architecte, du responsable de la gouvernance, du responsable de la documentation, de l’archiviste, etc.
• Le dictionnaire de données : description technique et métier des structures, portées par le métier et l’informatique
• Quels outils pour aligner glossaire simple et catalogue de données

3 – Du thésaurus à l’ontologie : une montée progressive en formalisme

• Comprendre le continuum entre un glossaire informel et une ontologie formelle : choisir le bon niveau pour votre organisation, sans devenir « ontologiste »
• Constuire une MVO (Minimum Viable Ontology) et itérer de manière agile
• Quel niveau de formalisation adopter pour votre ontologie
• SKOS (Simple Knowledge Organization System), le standard du W3C pour les thésaurus et les vocabulaires contrôlés
• L’ontologie OWL : classes, propriétés, restrictions, inférence
• Aligner les démarches : Liste de mots -> Glossaire -> Thésaurus -> Ontologie légère -> Ontologie OWL formelle
• Étude de cas comparative : extrait SKOS et extrait OWL
• Quels outils pour passer du glossaire à l’ontologie (Protégé, Modelio, VocBench, Pool Party Semantic Suite…)
• Comment mettre en place une boucle d’itération (métiers, information, utilisateurs) pour garantir la mise à jour de l’ontologie

4 – Le graphe de connaissance

• Des tables aux graphes : pourquoi les relations ont autant/plus de valeur que les entités
• L’ontologie comme schéma du graphe de connaissance – le rôle de OWL
• Triple store vs Property graph : comparaison des deux approches
• Les types de graphes de connaissance en entreprise : produit, client, réglementaire, de métadonnées
• Comment les catalogues de métadonnées utilisent un graphe interne
• Étude de cas : A partir d’un schéma relationnel simplifié, modélisons les entités et relations en graphe, formalisons les triplets, et identifions ce que révèle le graphe

5 – Le catalogue de données

• Inventaire gouverné des actifs informationnels, de leurs métadonnées, de leur qualité et de leur traçabilité
• Les 4 questions du catalogue : qui, où, quoi, peut-on lui faire confiance ?
• Le catalogue est un graphe actif de métadonnées
• Le rôle du catalogue de données et de son ontologie, dans l’amélioration de la qualité des données orientée décision
• Le glossaire est le dictionnaire, le catalogue est la bibliothèque
• Le rôle du data steward dans la création et la maintenance du catalogue de données

6 – Exercice de fin de journée

• Réalisation en équipe d’une cartographie de leur organisation actuelle et du niveau de maturité des 4 couches, discussion entre les participants

7 – La couche sémantique

• Le traducteur entre les données techniques et les utilisateurs métier
• Comprendre le rôle de la couche sémantique et ses relations avec le catalogue de données et l’ontologie
• Les principales générations de couches sémantiques : Data Mart -> BI libre-service (Looker, PowerBI, Tableau, Qlik…) -> couche sémantique universelle (dbt, AtScale, Atlan, Cube.dev…)
• L’initiative ouverte Apache Ossie (ex-Open Semantic Interchange)
• La principale difficulté : la multiplication des couches sémantiques
• Couche sémantique et data mesh : concilier l’autonomie des data products et la centralisation des définitions

8  – L’IA générative : révélateur et amplificateur

• L’IA générative rend urgente la cohérence sémantique : comment l’architecture peut l’alimenter
• Pourquoi les LLMs amplifient les incohérences : le LLM choisit arbitrairement ou hallucine
• RAG : le graphe de connaissance, indispensable contexte structuré pour améliorer les réponses de l’IA
• GraphRAG ou RAG vectoriel
• La couche sémantique unifiée pour alimenter également les agents d’IA… et les agents IA au service de l’architecture sémantique
• Le glossaire comme contexte partagé pour ancrer les prompts dans la réalité du vocabulaire de l’entreprise
• Text-to-SQL et Text-to-GQL : la couche sémantique comme interface entre le langage naturel et les données
• Le graphe de connaissances comme support d’une interface normalisée avec les données de l’entreprise via un serveur MCP
• Expérimentation : poser une question à un LLM avec et sans contexte, puis comparer les résultats obtenus

9 – Étude de cas : choisir la bonne combinaison d’outils en fonction du besoin

Pour chacun des cas pratiques ci-dessous, nous étudierons les outils les plus adaptés :

• Alignement métier sur les définitions
• Réconciliation entre systèmes hétérogènes
• Modélisation de relations complexes entre entités
• Exposer des métriques cohérentes au travers d’outils
• Gouverner et valoriser le patrimoine informationnel
• Alimenter un LLM avec un contexte métier

10 – Définir les rôles dans la construction et la maintenance d’une architecture sémantique d’entreprise

• Dimension humaine et organisationnelle
• Une architecture sémantique sans gouvernance est condamnée à se dégrader
• Matrice RACI entre les rôles (Data owner, Data steward, CDO, Comité de gouvernance, Data architect, Data Engineer, BI product owner…) et les composants de l’architecture sémantique (Glossaire, Ontologie, Graphe de connaissance, Couche sémantique, Catalogue…)
• Le cycle de vie d’une définition
• Comment gérer les conflits
• Le versionning sémantique : comment faire évoluer une ontologie sans casser les systèmes en aval
• Atelier pratique : définir sa feuille de route en 3 horizons (0-3 mois ; 3-12 mois ; 12-24 mois)
• Échange collectif sur les facteurs de succès et d’échec à anticiper

Ce programme a été mis à jour le 16 septembre 2026.