Tout le monde connaît Wikipédia, l’encyclopédie universelle où la connaissance se décline en longs textes. Mais pour les intelligences artificielles, l’information brute, rédigée, c’est comme chercher une aiguille dans une botte de foin. Leur véritable trésor, c’est son cousin méconnu : Wikidata. C’est la base de données structurée qui, discrètement, permet à l’IA d’être plus intelligente, et surtout, plus fiable.
Avant, une machine devait décortiquer des pages entières pour capter une information. Aujourd’hui, avec Wikidata, elle consulte une fiche d’identité ultra-précise, avec des liens clairs entre chaque donnée. C’est le plan de la connaissance mondiale, non pas pour les humains, mais pour les algorithmes.
Wikidata se distingue des autres projets de la Fondation Wikimedia, comme Wikipédia ou Wiktionnaire, par son approche. Loin de stocker la connaissance sous forme de texte, cette plateforme collaborative et multilingue organise des entités liées entre elles. Pensez-y comme à un gigantesque jeu de LEGO où chaque brique – une personne, un lieu, un concept – est connectée aux autres par des attributs que les machines peuvent lire et comprendre instantanément. En gros, un graphe de connaissance monumental.
Chaque élément sur Wikidata possède un identifiant unique : un « Q » pour les entités (par exemple, Q42 pour Douglas Adams) et un « P » pour les propriétés (P50 pour l’auteur, P19 pour le lieu de naissance). En assemblant ces identifiants, on crée des « triplets RDF » – sujet, prédicat, objet – qui décrivent des faits précis et vérifiables. Par exemple : Douglas Adams (sujet) est l’auteur de (prédicat) Le Guide du voyageur galactique (objet).
- Connaissance exprimée en prose, nécessitant une analyse sémantique complexe par l’IA.
- Données non structurées, difficiles à interroger directement pour des faits précis.
- Risque plus élevé d’ambiguïté ou de multiples interprétations pour un algorithme.
- Connaissance sous forme de triplets RDF, lisible et exploitable directement par les machines.
- Données Structurées, interrogeables via des requêtes précises (SPARQL).
- Réduit l’ambiguïté, offrant des faits vérifiés et des liens clairs pour l’IA.
Le carburant anti-hallucinations pour l’IA
Le volume de données que Wikidata gère donne le tournis. À la mi-2024, la base dépassait déjà le cap du milliard et demi de triplets sémantiques. Ces informations ne sont pas juste consultables : elles sont interrogeables via un point d’accès public appelé SPARQL. Concrètement, on peut demander « tous les écrivains français nés à Nantes » et obtenir une liste exploitable, sans devoir lire des dizaines de pages de résultats.
Alors, pourquoi les grands Modèles de Langage (LLM) comme ceux d’OpenAI ou Google en raffolent-ils ? Pour construire une IA performante, il faut de la connaissance, et surtout de la connaissance de haute qualité. Cela permet de limiter ce que l’on appelle les « hallucinations » – quand l’IA invente des faits – au moment des requêtes.
Internet regorge de données, mais leur fiabilité est variable. Une fiche Wikipédia est jugée plus solide qu’un message de forum. Wikidata pousse cette logique à son paroxysme : la donnée y est non seulement fiable, mais déjà structurée et liée. Pour un LLM, c’est comme passer d’une pile de livres à une bibliothèque parfaitement organisée, avec des fiches indexées pour chaque ouvrage. La différence est flagrante.
✅ Points Positifs pour l’IA
Réduction des hallucinations : La donnée structurée et vérifiée diminue le risque d’erreurs factuelles par l’IA.
Ancrage et entraînement : Une base fiable pour entraîner les modèles de langage et les ancrer dans la réalité.
Requêtes directes : Les agents IA peuvent interroger Wikidata en temps réel via SPARQL pour des faits vérifiés.
⚠️ Points d’Attention
Critères d’admissibilité : Si plus souples que Wikipédia, ils restent exigeants sur la vérifiabilité des sources.
Risque d’auto-promotion : La création d’éléments personnels est découragée et peut entraîner une suppression.
Dépendance aux contributeurs : La qualité et l’exhaustivité dépendent de la communauté et des imports automatisés.
Les gardiens de la connaissance structurée
L’engouement des LLM pour Wikidata s’explique par trois usages majeurs. Premièrement, cette base alimente le Knowledge Graph de Google, ces encarts d’information qui apparaissent à droite des résultats de recherche. Ensuite, elle figure parmi les bases de connaissances ouvertes les plus réutilisées pour entraîner et affiner les modèles de langage. Enfin, elle est interrogeable en direct par les agents d’IA, leur permettant de piocher des faits vérifiés au lieu de les reconstruire de mémoire. Une vraie aubaine pour la « Generative Engine Optimization » (GEO).
Mais attention, même si Wikidata est plus ouvert que Wikipédia, ce n’est pas un annuaire sans règles. On ne peut pas juste y créer sa propre fiche. Les critères d’admissibilité, bien que souples, exigent une « existence vérifiable » plutôt qu’une simple « célébrité ». Pour qu’un élément soit accepté, il doit remplir au moins un de ces trois points clés : avoir un lien valide vers un projet Wikimedia (une page Wikipédia, par exemple), désigner une entité identifiable avec des sources sérieuses et accessibles, ou répondre à un besoin structurel rendant d’autres affirmations plus utiles.
Et c’est là que ça coince pour beaucoup. L’auto-promotion est clairement découragée. Tenter de créer son propre élément relève du conflit d’intérêts et, sans sources indépendantes solides, un élément est voué à la suppression. L’expérience de l’auteur de l’article source le confirme : ses tentatives de créer des fiches pour lui-même et son blog ont été rejetées, faute de « notabilité » prouvée par des sources tierces.
Attention à l’auto-promotion !
Wikidata décourage fortement la création de fiches par l’entité concernée elle-même. Les administrateurs recherchent des preuves d’existence et de pertinence issues de sources indépendantes, comme une notice BnF ou VIAF, plutôt que des profils auto-alimentés.
La leçon est limpide : sur Wikidata, la notoriété ne se décrète pas, elle se constate. Elle doit être validée par des traces externes, que l’on ne contrôle pas soi-même. Un identifiant ORCID que l’on remplit soi-même pèse bien moins lourd qu’une référence dans une bibliothèque nationale, par exemple.
La vraie leçon de Wikidata ? C’est que la reconnaissance ne vient pas de ce qu’on dit de soi, mais de ce que les autres, via des sources indépendantes, attestent de notre existence et de notre pertinence.
Dans cinq ans, l’IA aura encore plus soif de données structurées. On peut s’attendre à une explosion des contributions et des outils pour alimenter des bases comme Wikidata. Les modèles de langage seront de moins en moins des « perroquets stochastiques » qui reproduisent des patterns, pour devenir de véritables agents intelligents, capables de raisonner sur des faits vérifiés. La bataille contre les « fake news » et les contenus générés sans fondement passera aussi par là.
Le futur de l’IA fiable dépendra de notre capacité collective à structurer la connaissance mondiale. Wikidata, en cela, n’est pas juste une base de données ; c’est une pièce maîtresse pour une intelligence artificielle plus juste, plus transparente, et surtout, qui sait de quoi elle parle.
Chargement de la galerie…
À propos de Rigaud Mickaël
Passionné de tech et adepte de Linux, je décrypte l’IA avec une vision unique et intense pour la rendre utile à tous, entre robots, rock et univers geek.
