Ontologie : de la philosophie antique à l'IA et à la blockchain

Qu’est-ce qui existe réellement dans notre monde ? Cette question hante les philosophes depuis plus de deux millénaires, et elle demeure d’une pertinence saisissante pour les leaders technologiques d’aujourd’hui. L’ontologie — l’étude systématique de ce qui est réel, de la classification des choses et de leurs relations — influence tout, de la recherche académique aux systèmes d’intelligence artificielle. À mesure que nous naviguons dans un paysage numérique de plus en plus complexe, comprendre l’ontologie devient essentiel pour quiconque construit une technologie, mène des recherches ou cherche à donner du sens à l’innovation moderne.

La base : qu’est-ce que l’ontologie, vraiment ?

Au fond, l’ontologie pose une question apparemment simple : « Qu’est-ce qui existe ? » Pourtant, y répondre exige une réflexion philosophique rigoureuse. Contrairement à une spéculation occasionnelle, l’ontologie est une branche disciplinée de la philosophie qui s’intéresse à la nature même de l’être. Elle explore des questions fondamentales telles que « Qu’est-ce qu’une entité ? » et « Comment différencier différents types de choses ? »

Le terme lui-même remonte à la Grèce antique — « ontos » (l’être) combiné à « logie » (étude de). Bien que le mot ait acquis une reconnaissance formelle au XVIIe siècle, notamment par des penseurs comme Christian Wolff, les questions sous-jacentes remontent à Platon et Aristote, qui débattaient pour savoir si la réalité véritable réside dans des formes abstraites ou dans des objets physiques.

Concrètement, l’ontologie crée un cadre pour organiser la réalité. Pensez-la comme un système d’inventaire maître qui recense tout ce qui existe dans un domaine particulier — que ce soit le monde physique, l’infrastructure de données d’une entreprise ou l’univers d’un jeu vidéo. Elle précise ce qui appartient à cet univers et comment différents éléments se connectent et interagissent.

L’architecture centrale de la pensée ontologique

L’ontologie fonctionne traditionnellement autour de plusieurs questions clés :

• Existence et Être : Qu’est-ce que cela signifie pour quelque chose d’exister ? L’existence nécessite-t-elle une forme physique ou peut-on dire que des concepts abstraits comme « justice » ou « le nombre deux » existent réellement ?
• Catégorisation : Comment classifions-nous les entités ? Qu’est-ce qui distingue un « arbre » d’une « forêt », ou une « action » d’un « processus » ?
• Relations : Quelles connexions lient différentes entités ? Comment la causalité, la hiérarchie et l’association fonctionnent-elles entre les catégories ?
• Universaux vs. Particuliers : Les propriétés abstraites comme « la rougeur » existent-elles indépendamment, ou seuls des objets rouges spécifiques ont-ils une véritable existence ?

Ces questions ne sont pas seulement académiques — elles ont des implications concrètes pour la conception de bases de données, la structuration des systèmes d’IA et la conduite de recherches scientifiques.

Évolution historique : comment l’ontologie s’est développée

Le parcours intellectuel de l’ontologie révèle comment la pensée humaine a abordé la question de l’existence au fil des siècles.

Les fondations antiques débutent avec la théorie des formes de Platon, qui proposait que les objets abstraits non physiques (les idées) représentent la réalité la plus précise. Aristote a contesté cette vision, arguant que les substances — des entités concrètes et individuelles — constituent le socle de la réalité. Sa classification tripartite en substances, qualités et relations est devenue la base de la pensée ontologique occidentale pendant près de deux millénaires.

L’affinement médiéval voit des philosophes comme Thomas d’Aquin et Duns Scotus intégrer des cadres ontologiques dans des systèmes théologiques. Ils débattaient de la manière dont l’existence de Dieu façonnait tout autre être, et comment l’essence divine se reliait à la création terrestre — des questions qui ont poussé à une analyse ontologique de plus en plus sophistiquée.

Le tournant moderne arrive avec les penseurs des Lumières. Immanuel Kant modifie radicalement la discussion en remettant en question ce que l’humain peut réellement savoir sur la réalité versus ce qui structure simplement notre perception. Plutôt que de supposer que nous pouvons accéder directement à la vérité ontologique, Kant suggère que nos catégories de compréhension elles-mêmes façonnent ce que nous percevons comme « réel ».

Les développements contemporains depuis le XXe siècle ont vu l’ontologie se diviser en branches spécialisées. Les philosophes analytiques ont disséqué la nature des propriétés et des objets abstraits avec une précision logique. Par ailleurs, l’ontologie a trouvé une nouvelle vie dans la technologie de l’information, où elle est devenue un outil pratique pour organiser la connaissance numérique.

Les grands débats : tensions fondamentales en ontologie

La pensée ontologique n’a jamais été monolithique. Plusieurs tensions persistantes définissent le champ :

Réalisme versus Constructivisme

Ce débat ancien concerne une question cruciale : Les catégories existent-elles indépendamment de l’esprit humain ?

Les réalistes soutiennent que des entités comme « les arbres », « les nombres » ou « la justice » possèdent une réalité indépendante de l’esprit. Lorsqu’on découvre ces choses, on découvre des vérités qui existaient, qu’il y ait ou non des humains pour les percevoir.

Les anti-réalistes et constructivistes répliquent que beaucoup de catégories sont des constructions humaines — des accords sociaux ou des projections mentales plutôt que des caractéristiques d’une réalité objective. Par exemple, la valeur de l’argent n’existe que parce que les sociétés l’ont collectivement acceptée. De même, notre classification des organismes biologiques reflète autant des principes d’organisation humaine que des divisions naturelles.

Cette distinction influence profondément la méthodologie de recherche. Si vous croyez que la classe sociale est une réalité objective (position réaliste), vous concevrez des enquêtes quantitatives pour la mesurer. Si vous considérez la classe sociale comme un cadre construit (position constructiviste), vous mènerez plutôt des entretiens pour explorer comment les gens comprennent et vivent cette classe.

Universaux versus Particuliers

Une autre question durable concerne les entités abstraites versus concrètes. Les universaux — propriétés générales comme « la rougeur », « la beauté » ou « la triangularité » — existent-ils réellement ? Ou seuls des exemples particuliers (cette pomme rouge, ce coucher de soleil magnifique, ce triangle précis) ont-ils une existence concrète ?

Ce débat apparemment abstrait a des implications concrètes pour la conception de bases de données et les systèmes d’IA. Lorsqu’un ingénieur construit un graphe de connaissances, il doit décider : doit-on représenter « la maladie » comme une catégorie abstraite ou uniquement cataloguer des cas particuliers ? La réponse influence la façon dont les machines comprennent et traitent l’information.

Le rôle de l’ontologie dans la recherche et la méthodologie

Pour les chercheurs et data scientists, l’ontologie représente bien plus qu’une curiosité historique. Elle façonne les hypothèses fondamentales qui guident tout projet de recherche.

Lorsqu’un chercheur commence une étude, il opère sous des présupposés ontologiques implicites sur ce qui existe dans leur domaine d’intérêt. Ces présupposés déterminent non seulement les questions posées, mais aussi quels types de preuves sont valides et quelles conclusions sont acceptables.

Deux orientations de recherche

L’ontologie objectiviste (ou positiviste) suppose que la réalité existe indépendamment et peut être mesurée objectivement. Les chercheurs adoptant cette position privilégient :

• Les méthodes quantitatives (sondages, expériences, analyses statistiques)
• Les outils de mesure standardisés
• Les procédures reproductibles
• Les lois et modèles universels

Un objectiviste étudiant l’efficacité d’un vaccin concevra des essais contrôlés randomisés avec des résultats mesurables (taux d’infection, niveaux d’anticorps).

L’ontologie constructiviste (ou interprétative) voit la réalité comme socialement construite à travers l’interprétation et la création de sens. Cette approche privilégie :

• Les méthodes qualitatives (entretiens, groupes de discussion, analyse textuelle)
• La compréhension riche du contexte
• Les expériences subjectives et perceptions
• La reconnaissance de multiples vérités valides selon le contexte

Un chercheur constructiviste étudiant la vaccination pourrait interviewer des personnes sur leurs croyances, peurs et interprétations de l’information vaccinale — en reconnaissant que la « réalité de la vaccination » inclut des dimensions psychologiques et sociales au-delà des résultats cliniques.

Aucune approche n’est intrinsèquement supérieure ; elles répondent à des questions différentes. Clarifier votre position ontologique dès le début d’un projet évite la confusion méthodologique et aligne vos outils de recherche avec vos hypothèses fondamentales.

Ontologie, épistémologie et méthodologie : le trépied de la recherche

Beaucoup de chercheurs confondent trois concepts distincts mais liés. Comprendre leurs différences clarifie la conception de la recherche :

L’ontologie établit ce qui est « en jeu ». L’épistémologie détermine comment y accéder et le valider. La méthodologie précise les techniques concrètes employées. Chaque niveau s’appuie sur le précédent, et un désalignement entre eux compromet la qualité de la recherche.

L’ontologie appliquée : de la philosophie à la technologie

La révolution numérique a transformé l’ontologie d’un domaine exclusivement philosophique en une discipline d’ingénierie pratique. En sciences de l’information, une ontologie devient une spécification formelle, lisible par machine, de la manière de représenter la connaissance.

Fonctionnement des ontologies appliquées

Dans les systèmes d’information, une ontologie définit explicitement :

1. Les entités : quels objets, concepts et relations existent dans un domaine (ex : en santé : patients, médecins, maladies, traitements, symptômes)
2. Les propriétés : quelles caractéristiques décrivent ces entités (ex : un patient a un âge, un historique médical, des médicaments en cours)
3. Les relations : comment les entités se connectent (ex : « un médecin traite un patient », « une maladie cause des symptômes »)
4. Les règles et contraintes : relations logiques qui régissent les états valides (ex : « un symptôme doit être associé à au moins une maladie »)

Cette structure formelle permet aux machines de traiter, relier et raisonner automatiquement sur des informations complexes.

Exemples concrets d’ontologies appliquées

Les graphes de connaissances (qui alimentent moteurs de recherche et systèmes de recommandation) utilisent des ontologies pour cartographier des milliards d’entités et leurs relations. Lorsqu’on recherche « Einstein », le système ne se contente pas de renvoyer des documents contenant ce mot — il comprend qu’Einstein est un physicien, le relie à des concepts comme la relativité, et suggère d’autres entités comme d’autres physiciens.

Les ontologies médicales comme SNOMED CT ou MeSH standardisent la terminologie médicale à l’échelle mondiale. Cela garantit que « infarctus du myocarde » signifie exactement la même chose qu’un médecin à Tokyo ou Toronto, facilitant une prise en charge cohérente et la recherche.

Schema.org fournit une ontologie commune pour les données web, permettant aux moteurs de recherche de comprendre le contenu des sites. Lorsqu’un article inclut un balisage Schema structuré, les moteurs peuvent extraire et catégoriser correctement l’information.

Outils d’ontologie technique :

• Protégé : un éditeur visuel open-source pour construire et visualiser des ontologies
• OWL (Web Ontology Language) : un langage formel pour exprimer des ontologies que les machines peuvent traiter
• RDF (Resource Description Framework) : un format flexible pour représenter des relations ontologiques

Blockchain et Web3 : l’ontologie dans la couche de confiance numérique

L’émergence de la blockchain a donné à l’ontologie une nouvelle importance inattendue. Le projet Ontology (ONT) en est un exemple, se positionnant comme une « infrastructure de confiance » pour le Web3.

Tout comme l’ontologie philosophique précise ce qui existe dans la réalité et comment les choses se relient, l’ontologie basée sur la blockchain crée une infrastructure numérique fiable pour spécifier ce qui est numérique — identités, actifs, permissions, et attestations — et comment ils s’interconnectent.

L’ONT répond à un défi clé du Web3 : comment établir une identité décentralisée et garantir l’intégrité des données quand plusieurs parties ne se font pas confiance ? En créant un cadre ontologique formel pour la représentation des identités et des actifs numériques, le projet permet :

• Identité décentralisée : des attestations d’identité portables contrôlées par l’individu
• Interopérabilité des données : communication entre systèmes grâce à un cadre ontologique partagé
• Smart contracts : programmes opérant sur des entités et relations formellement définies
• Compatibilité inter-chaînes : compréhension mutuelle entre différentes blockchains

Cette application concrète montre comment des concepts philosophiques abstraits se traduisent en technologies résolvant des problèmes tangibles.

Applications modernes dans divers secteurs

Le cadre ontologique façonne l’innovation dans plusieurs industries :

Les entreprises utilisent des ontologies sectorielles pour intégrer les données entre départements. Une ontologie financière définit précisément des termes comme « actif », « passif », « revenu » et « dépense », garantissant que les données ont la même signification en comptabilité comme en opérations. Cette standardisation évite des malentendus coûteux et facilite l’intelligence d’affaires avancée.

La santé et la génomique exploitent des ontologies médicales pour traduire les découvertes génétiques en pratique clinique. Une ontologie en oncologie pourrait cartographier les relations entre mutations génétiques, expressions protéiques, types de cancer et options thérapeutiques — aidant les médecins à identifier des traitements ciblés adaptés à chaque patient.

Le commerce électronique et les moteurs de recommandation s’appuient implicitement sur des ontologies. Lorsqu’Amazon recommande des produits, ses systèmes ont codé une ontologie des produits, caractéristiques, préférences utilisateur et habitudes d’achat. Plus l’ontologie est explicite et complète, plus les recommandations sont intelligentes.

La science des données et le développement d’IA commencent de plus en plus par la conception d’ontologies. Avant de construire des modèles d’apprentissage automatique, les data scientists élaborent généralement une ontologie du domaine pour :

• assurer une représentation cohérente des données
• réduire l’ambiguïté dans l’ingénierie des caractéristiques
• améliorer l’interprétabilité des modèles
• faciliter l’intégration avec d’autres systèmes

Construire une ontologie de domaine implique typiquement :

1. Identifier les entités principales : quels sont les « choses » clés ? (ex : en santé : patients, prestataires, conditions, traitements)
2. Définir les attributs : quelles propriétés caractérisent chaque entité ? (ex : un patient a un âge, un historique médical)
3. Spécifier les relations : comment les entités se relient-elles ? (ex : un patient a des conditions ; les conditions nécessitent des traitements)
4. Établir des hiérarchies : quelles taxonomies ? (ex : maladie cardiovasculaire → hypertension, maladie coronarienne, etc.)
5. Documenter les règles : quelles contraintes ou relations logiques ? (ex : une personne ne peut pas être son propre médecin ; un nouveau-né ne peut pas avoir 10 ans d’historique médical)
6. Implémenter et valider : utiliser des outils comme Protégé pour formaliser l’ontologie, puis tester si elle représente fidèlement le domaine

💡 Insight stratégique : Les organisations qui construisent explicitement des ontologies de domaine obtiennent des avantages compétitifs significatifs. Des cadres ontologiques clairs réduisent les coûts d’intégration, accélèrent le développement de nouveaux produits et facilitent la communication interéquipes avec une précision inégalée.

Pourquoi l’ontologie est plus importante que jamais

La convergence de plusieurs tendances rend la pensée ontologique de plus en plus essentielle :

Explosion de données : Les organisations gèrent désormais des volumes d’informations sans précédent. Sans cadres ontologiques clairs, l’intégration des données devient chaotique. Des ontologies explicites transforment des silos de données en actifs de connaissance interconnectés.

IA et apprentissage automatique : À mesure que les systèmes d’IA deviennent plus sophistiqués, ils nécessitent des représentations plus riches du savoir du domaine. Les grands modèles linguistiques entraînés sur des données Internet opèrent en réalité à partir d’ontologies implicites — et une conception explicite d’ontologies meilleures améliore considérablement leurs performances.

Collaboration inter-organisationnelle : Que ce soit dans les réseaux de santé, les chaînes d’approvisionnement ou les consortiums de recherche scientifique, plusieurs entités doivent interopérer. Des ontologies partagées fournissent le langage commun qui rend une véritable intégration possible plutôt qu’un simple échange de données.

Exigences réglementaires et de conformité : Les réglementations médicales, financières et environnementales imposent de plus en plus une standardisation précise de la terminologie et des structures de données — ce qui nécessite des ontologies explicites.

Blockchain et systèmes décentralisés : À mesure que la confiance devient décentralisée, l’accord sur ce qui existe et comment les choses se relient devient critique. Les ontologies fournissent ce cadre de référence commun pour des systèmes sans autorité centrale.

En résumé

• L’ontologie pose fondamentalement la question : Qu’est-ce qui existe, et comment les choses sont-elles classées et reliées ?
• Elle couvre de la philosophie ancienne à l’IA moderne : Les questions conceptuelles restent constantes à travers les millénaires, même si les applications ont complètement évolué
• Les positions philosophiques influencent les résultats pratiques : Vos hypothèses ontologiques sur le réalisme ou le constructivisme déterminent si vous utilisez des méthodes quantitatives ou qualitatives
• Les ontologies appliquées sont désormais des éléments essentiels de l’ingénierie : La construction explicite d’ontologies de domaine est devenue une pratique critique en IA, science des données, systèmes d’entreprise et développement blockchain
• Elle relie les disciplines : Comprendre l’ontologie aide chercheurs, développeurs et innovateurs à clarifier leurs hypothèses et à communiquer au-delà des frontières traditionnelles
• L’avenir est orienté par l’ontologie : À mesure que la complexité augmente et que les systèmes doivent interopérer à grande échelle, la clarté ontologique devient un avantage concurrentiel

L’ontologie représente l’une des plus anciennes traditions intellectuelles de l’humanité, rencontrant ses impératifs technologiques les plus récents. Que vous conceviez un graphe de connaissances, un système blockchain, une recherche sociale ou une application d’IA, prendre le temps de clarifier votre cadre ontologique — ce que vous croyez exister et comment les choses se relient — affinera votre réflexion et améliorera vos résultats dans tous les domaines.