L’ontologie JANZZ – renforcement des capacités et création de l’intelligence artificielle (IA)

Cela fait maintenant 40 ans que les ontologies existent dans le secteur de la recherche sur l’intelligence artificielle (AI) [1]. Mais comme toute tendance, les ontologies ont également connu des hauts et des bas. Introduites dans les années 80, les ontologies sont finalement devenues populaires au milieu des années 90. L’opinion générale en 2000, après l’apparition de l’apprentissage automatique (AA), était qu’éventuellement, chaque tâche effectuée par un ordinateur (au moyen de l’IA et l’AA) pourrait être résolue à l’aide d’un algorithme intelligent. De nombreuses entreprises ont investi massivement dans ces algorithmes dans l’espoir de réaliser la prochaine percée de l’IA.

Avec le développement rapide de l’IA et l’AA, en particulier après l’émergence des réseaux neuronaux convolutifs (RNC), la technologie de base – l’apprentissage profond (AP) – a connu une croissance fulgurante en termes de taille des paramètres et de complexité informatique. De nos jours, certains des modèles les plus complexes ont atteint une échelle de plusieurs milliards de paramètres [2].

Néanmoins, certaines préoccupations ont été soulevées concernant l’AP actuel. Par exemple, quand il s’agit de l’apprentissage supervisé en reconnaissance d’images : les images utilisées pour entraîner les modèles d’IA doivent être identifiées manuellement en termes de position et de contour des objets cibles, afin que les modèles puissent trouver des caractéristiques de motifs implicites entre les données après avoir comparé différents résultats d’étiquetage. Si les êtres humains peuvent reconnaitre comment se déroule leur processus d’apprentissage durant l’enfance, cela facilite alors l’identification et la classification de de différents objets sans avoir recours à ce type d’instruction [2].

Les méthodes d’AP ont fait d’énormes progrès et sont maintenant capables d’extraire des connaissances à partir des données d’apprentissage. Cependant, ces connaissances ne sont pas explicitement intelligibles, car la formation dite « boîte noire » ne peut pas révéler les relations complexes dissimulées dans des modèles. Face à de nouveaux problèmes, les modèles actuels d’AP ne sont pas en mesure d’appliquer les connaissances acquises pour résoudre de nouveaux défis avec une efficacité absolue [2].

Il existe un autre sujet qui engendre de grandes inquiétudes concernant les données importantes et la question de la protection de la vie privée, liée à ceux-ci. De plus, les méthodes actuelles d’AP sont basées sur les grandes données, ce qui ne peut s’appliquer aux industries qui génèrent des quantités minimes de données, dans certains domaines comme la médecine et les ressources humaines. Dans ces cas, les systèmes d’AI doivent avoir la capacité de raisonner et juger, ce qui ne peut être fructueux que dans certains domaines. [3]

De nombreuses ontologies puissantes existent déjà pour des domaines spécifiques, par exemple des entreprises du secteur financier (FIBO) ainsi que beaucoup d’autres pour les soins de santé, la géographie ou les emplois. Il est généralement admis que l’intégration des connaissances et l’AP sont des idées importantes pour amplifier l’efficacité de l’AP. C’est pour cela que les ontologies sont revenues sur le devant de la scène, avec de nombreux équivalents tels que des graphiques ou des représentations des connaissances.

Chez JANZZ.technology, nous avons commencé à construire notre ontologie – JANZZon ! – en 2008, avant que le géant de la technologie, Google, n’invente et popularise le terme « graphe de connaissances ». JANZZ.technology a construit son ontologie en faisant appel à des experts du domaine provenant de milieux différents (par ex. du droit de la propriété intellectuelle, de la dynamique des fluides, de la réparation automobile, de la chirurgie à cœur ouvert et des systèmes éducatifs et professionnels).

Aujourd’hui, JANZZon ! est la plus grande représentation encyclopédique multilingue des connaissances dans le domaine des données sur les professions. JANZZon est principalement axé sur les emplois, les classifications professionnelles, les compétences matérielles et humaines et les formations/qualifications. Le nombre de nœuds et de relations stockés s’élève à plus de 350 millions !

Intégré aux taxonomies de consultation des données et des experts, JANZZon ! couvre ESCO, O*Net, ISCO-08, GB/T 6556-2015, DISCO II et la taxonomie des compétences britanniques de Nesta, pour n’en citer que quelques-unes. Actuellement, 9 langues (l’allemand, l’anglais, le français, l’italien, l’espagnol, le portugais, le néerlandais, l’arabe et le norvégien) couvrent entièrement les professions, les compétences, les spécialisations, la fonction, l’éducation, etc. et nous travaillons à atteindre le même niveau dans un total de 40 langues en 2020.

Étant le socle de notre technologie de mise en correspondance des emplois et des compétences, JANZZon ! représente la connaissance au niveau le plus profond, où toutes les entités ont été codées et vectorisées dans l’espace sémantique. Par conséquent, lors de la recherche et de la mise en correspondance, notre technologie peut véritablement comprendre un concept et sa signification sémantique et ainsi, garantir des résultats significatifs.

Si vous vous demandez comment les ontologies peuvent vous aider à réaliser des applications intelligentes et à renforcer vos données dans les domaines des ressources humaines et des marchés du travail, n’hésitez pas à nous contacter. Veuillez écrire à sales@janzz.technology

 

[1] ODSC. 2018. Where Ontologies End and Knowledge Graphs Begin. URL: https://medium.com/predict/where-ontologies-end-and-knowledge-graphs-begin-6fe0cdede1ed [2019.11.20]

[2] Li Jun. 2019. Shen Du Xue Xi: Xin Shi Dai De Lian Jin Shu. URL : https://www.ftchinese.com/story/001084827?page=1&archive [2019.11.20]

[3] Cai Fangfang. 2019. Qin Hua Zi Ran Yu Yan Chu Li Ke Xue Jia Sun Maosong: Shen Du Xue Xi Peng Pi Zhi Hou, Wo Men Hai Neng Zuo Shen Me? URL: https://www.infoq.cn/article/OvhfhpPChTLpsMgrf43N [2019.11.20]