Les entreprises évoluent dans un environnement en constante mutation, marqué par l’évolution rapide des marchés, des technologies et des attentes des clients. Pour rester compétitives, elles doivent améliorer en permanence leurs pratiques et innover. Cette capacité repose notamment sur la mobilisation rapide de connaissances et de retours d’expérience pertinents. La gestion des connaissances et des expériences, à travers leur formalisation, leur capitalisation, leur partage et leur exploitation, constitue ainsi un levier essentiel pour la prise de décision, la résolution de problèmes et l’apprentissage organisationnel. Cet enjeu est particulièrement important pour les petites et moyennes entreprises (PME), dont la performance dépend fortement des connaissances détenues par leurs collaborateurs. Au-delà de leur capitalisation, le principal défi réside dans leur exploitation effective par des utilisateurs non experts en gestion des connaissances.
Dans ce contexte, cette thèse s’intéresse au développement d’une approche de gestion des connaissances et des expériences adaptée aux contraintes des PME, permettant de formaliser, capitaliser, réutiliser et généraliser les connaissances de manière simple et efficace, sans recourir à une expertise en ingénierie des connaissances. Cette problématique est déclinée en trois questions de recherche : proposer un modèle de représentation adapté aux PME, faciliter la réutilisation des connaissances et des expériences passées pour résoudre de nouveaux problèmes, et permettre leur généralisation à différents niveaux d’abstraction afin de faciliter leur navigation et leur accessibilité.
Les approches existantes, telles que les ontologies ou le raisonnement à partir de cas, offrent des solutions pour représenter et exploiter les connaissances, mais présentent des limites. Les ontologies nécessitent des compétences spécialisées rarement disponibles dans les PME, tandis que le raisonnement à partir de cas est sensible au choix des mesures de similarité lorsque les connaissances sont hétérogènes.
Pour répondre à ces limites, cette thèse s’appuie sur les principes de la gestion des connaissances personnelles (Personal Knowledge Management – PKM) afin de formaliser et capitaliser les connaissances et expériences sous forme de graphes de connaissances. Pour faciliter leur exploitation, les nœuds du graphe sont représentés sous forme vectorielle à l’aide de techniques d’embeddings enrichies par un mécanisme de propagation sémantique exploitant les relations du graphe. Les représentations obtenues permettent ensuite d’effectuer des recherches par similarité et de recommander des connaissances pertinentes.
La thèse explore également la généralisation des connaissances à l’aide d’une approche fondée sur le clustering hiérarchique appliqué aux graphes de connaissances. Cette méthode produit différents niveaux d’abstraction, depuis des regroupements spécialisés jusqu’à une vision globale de l’ensemble des connaissances. À chaque niveau, des modèles de type Large Language Model (LLM) synthétisent le contenu des clusters afin de produire des connaissances généralisées. Les expérimentations réalisées sur plusieurs graphes de connaissances valident les différentes contributions proposées et montrent leur potentiel pour améliorer la gestion et l’exploitation des connaissances et des expériences dans les PME.
|
Companies operate in an environment of constant change, characterized by the rapid evolution of markets, technologies, and customer expectations. To remain competitive, they must continuously improve their practices and innovate. This capability relies, among other factors, on the rapid mobilization of relevant knowledge and experience feedback. Knowledge and experience management, through their formalization, capitalization, sharing, and exploitation, therefore constitutes a key driver for decision-making, problem-solving, and organizational learning. This challenge is particularly significant for small and medium-sized enterprises (SMEs), whose performance depends heavily on the knowledge held by their employees. Beyond knowledge capitalization, the main challenge lies in its effective exploitation by users who are not experts in knowledge management.
In this context, this dissertation focuses on the development of a knowledge and experience management approach tailored to the constraints of SMEs, enabling the formalization, capitalization, reuse, and generalization of knowledge in a simple and efficient manner, without requiring expertise in knowledge engineering. This research problem is addressed through three research questions: (1) proposing a knowledge representation model adapted to SMEs, (2) facilitating the reuse of past knowledge and experiences to solve new problems, and (3) enabling their generalization at different levels of abstraction to improve navigation and accessibility.
Existing approaches, such as ontologies and Case-Based Reasoning (CBR), provide solutions for representing and exploiting knowledge, but they also present limitations. Ontologies require specialized expertise that is rarely available in SMEs, while Case-Based Reasoning is sensitive to the choice of similarity measures when dealing with heterogeneous knowledge.
To address these limitations, this dissertation builds upon the principles of Personal Knowledge Management (PKM) to formalize and capitalize knowledge and experiences in the form of knowledge graphs. To facilitate their exploitation, graph nodes are represented as vectors using embedding techniques enhanced with a semantic propagation mechanism that leverages the graph's relationships. The resulting representations enable similarity-based retrieval and the recommendation of relevant knowledge.
The thesis also investigates the generalization of knowledge through an approach based on hierarchical clustering applied to knowledge graphs. This method generates multiple levels of abstraction, ranging from specialized clusters to a global view of the entire knowledge base. At each level, Large Language Models (LLMs) are employed to synthesize the content of the clusters and produce generalized knowledge. Experiments conducted on several knowledge graphs validate the proposed contributions and demonstrate their potential to improve the management and exploitation of knowledge and experience within SMEs.
|