Structurer des Connaissances Techniques
⚠️ Note importante : Cet article présente une roadmap méthodologique extrapolant sur les phases futures et les premiers enseignements de cette extraction. Les sections validation et inférence constituent des objectifs à atteindre.
Notre propos est ici dans le cadre d’un article de blog, plutôt dans le partage d’une pratique, donc à l’échelle micro-économique, puisque nous nous positionnons comme analyste de données mettant en place son corpus de données (non-structurées) dans le but de l’exploiter et de le partager.
Le constat d’une double accélération dans la production et l’obsolescence des connaissances est un double défi qui nous interpelle sur les exigences et objectifs vis-à-vis de cette ressource qui semble bien inépuisable (Dev Conference Neo4j – NODES25)
1. Contexte et Motivation
1.1. Le Corpus : Série “Going Meta”
La série “Going Meta”, animée par Jesús Barrasa et Alexander Erdl de Neo4j, constitue un corpus exceptionnel de connaissances techniques couvrant les graphes, la sémantique et l’interopérabilité des standards du Web.
Caractéristiques :
- 40 épisodes répartis en 3 saisons
- Plus de 40 heures de contenu technique
- 10 catégories thématiques (Interopérabilité, GenAI, Ontologies, etc.)
- Livestreams mensuels depuis 2022
- Couverture : RDF, SPARQL, Cypher, Property Graphs, GraphRAG, Reasoning
1.2. Le Défi Analytique
Comment transformer ce corpus vidéo dense en un graphe de connaissances permettant :
- Recherche sémantique : “Quels épisodes traitent de performance SPARQL ?”
- Navigation conceptuelle : “Quels pré-requis avant RDF-Star ?”
- Analyse d’influences : “Quels auteurs sous-tendent l’approche de Barrasa ?”
- Détection de patterns : “Quelles bonnes pratiques reviennent ?”
2. Démarche : structurer par dimensions sémantiques
Dans notre approche, nous tentons d’organiser l’information comme un graphe de connaissances atomique où la décomposition en faits organisés par nature et fonction de la connaissance permet une méta-structure de classification.
Cette phrase veut simplement dire que le choix des dimensions sémantiques cadre cette classification. Autrement dit, nous utilisons la même logique que la datavisualisation mais appliquée aux connaissances qualitatives.
Chaque fait est classé selon trois dimensions sémantiques (Contexte, Concepts, Insights) et décomposé en triplets atomiques (Sujet-Prédicat-Objet), créant un graphe de connaissances interrogeable.
2.1 Roadmap
| Phase 1 | Extraction (en cours) • Parser 40 HTML • CSV triplets |
| Phase 2 | Normalisation • Vocabulaire contrôlé • Neo4j |
| Phase 3 | Inférence • Règles Cypher • Validation |
| Phase 4 | Exploitation • Visualisations • Publication |
2.2 Vue d’Ensemble
40 Épisodes HTML (synthèses visuelles)
↓
[PHASE 1: EXTRACTION]
- Parser HTML • Identifier colonnes • Extraire triplets
↓
CSV: sujet, predicat_brut, objet, episode
↓
[PHASE 2: NORMALISATION]
- Inventaire • Clustering • Vocabulaire contrôlé
↓
Neo4j: Graphe normalisé
↓
[PHASE 3: INFÉRENCE]
- Règles Cypher • Scores confiance • Validation
↓
Graphe enrichi
↓
[PHASE 4: EXPLOITATION]
- Requêtes • Visualisations • RAG (optionnel)
Conclusion
Nous ne sommes qu’au début de cette réflexion qui vise d’abord des aspects qualitatifs du corpus de données, car c’est ce qui permet son exploitation. Notre intérêt immédiat porte surtout sur les métriques de validation (cohérence, complétude, atomicité) qui transformeraient 40 heures de vidéo en un graphe de connaissances réellement interrogeable et partageable.
Références
- Série Going Meta : https://github.com/jbarrasa/goingmeta
- Dev Conference Neo4j – NODES 25 :https://neo4j.com/nodes-2025/
- RDF 1.1 : https://www.w3.org/TR/rdf11-primer/
- Article sur notre profil LinkedIn – “De la Datavisualisation à la Knowledge Visualisation : Quand l’analyse de données rencontre la curation de savoirs” : https://www.linkedin.com/pulse/de-la-datavisualisation-%C3%A0-knowledge-visualisation-quand-fontaine-jdmee/
OpenEdition vous propose de citer ce billet de la manière suivante :
archnum (6 novembre 2025). Structurer des Connaissances Techniques. Archéologie + numérique = Archnum. Consulté le 12 janvier 2026 à l’adresse https://doi.org/10.58079/15408