La couche sémantique comme contexte pour le LLM — modèles analytiques, sémantique métier
À jour au 2026-09-25
Qu'est-ce que La couche sémantique comme contexte pour le LLM ?
Une couche sémantique a été construite pour les humains — elle transforme « compte général 400100 » en « Chiffre d'affaires net » — et il s'avère que c'est exactement ce dont un LLM a besoin aussi : un vocabulaire gouverné, des hiérarchies et des règles métier avec lesquels un agent peut raisonner au lieu de deviner à partir de noms de colonnes bruts. Les modèles analytiques exposés à Just Ask sont la version Datasphere de cela, et leur qualité est désormais vérifiée automatiquement avant même que Joule ne les utilise.
La couche construite pour les humains se révèle être celle dont l'IA a besoin
Une couche sémantique n'a jamais été un concept d'IA. Des décennies avant l'existence de Joule, les outils de BI en ont construit une parce qu'un analyste financier ne devrait pas avoir à se souvenir que le chiffre d'affaires réside dans la table FAGLFLEXT et qu'une conversion de devise doit s'exécuter avant qu'un chiffre n'ait un sens — la couche sémantique faisait cette traduction une fois, de manière centralisée, pour que chaque rapport utilise le même vocabulaire et les mêmes règles. Ce qui a changé, c'est qui d'autre lit désormais cette couche : un LLM à qui l'on demande « quel était notre chiffre d'affaires net en Allemagne le trimestre dernier » ne peut pas répondre correctement à partir d'un schéma brut, mais il peut répondre correctement à partir d'un modèle qui définit déjà le Chiffre d'affaires net comme une mesure, l'Allemagne comme un membre d'une hiérarchie géographique, et le trimestre dernier comme une dimension temporelle intégrant le calendrier fiscal. La couche sémantique a été construite pour les humains et se trouve être exactement le contexte structuré, sans recherche documentaire, dont un LLM a besoin pour cesser de deviner.
Pourquoi c'est important
- Une couche sémantique n'est pas une invention de l'IA — c'est une discipline BI vieille de plusieurs décennies qui se révèle être exactement le contexte structuré et gouverné dont un LLM a besoin ; la traiter comme un nouveau travail Joule plutôt que réutiliser la discipline de modélisation existante duplique l'effort.
- Une lacune de hiérarchie ou de libellé qu'un auteur de rapport humain contourne silencieusement devient, pour Joule, un défaut qui dégrade une réponse conversationnelle — la tolérance à l'ambiguïté est bien plus faible pour un LLM que pour un lecteur humain de rapport.
- Le choix entre un chemin médié par la couche sémantique et un chemin text-to-SQL (C354) est un arbitrage de gouvernance, pas une préférence technologique — savoir lequel un cas d'usage nécessite change toute l'approche de delivery.
Points clés
- La couche sémantique précède l'IA : mesures, hiérarchies, logique de devise et libellés métier construits sur les vues Datasphere pour le reporting humain.
- Ce qui a changé, c'est le lecteur : un LLM a besoin du même vocabulaire gouverné pour éviter de deviner le sens à partir de noms de colonnes bruts.
- Un modèle exposé à Just Ask devient atteignable par les Analytical Insights de Joule par le même chemin (C348, C335) — la couche sémantique est ce qui rend cette atteignabilité porteuse de sens.
- Le contrôle de préparation du modèle SAC du T3 2026 signale la sémantique manquante, les hiérarchies floues et les libellés ambigus avant qu'ils ne dégradent une réponse Joule — un linter pour le sens, pas un outil de qualité de donnée.
- Le NLQ médié par la couche sémantique échange de la flexibilité contre des garanties de gouvernance, face à l'ancrage direct text-to-SQL sur des schémas bruts (C354).
- La conception de la couche sémantique devrait être revue comme un livrable de préparation à Joule, revérifié après chaque modification structurelle d'un modèle exposé.
Termes employés sur cette page
- Couche sémantique
- Le vocabulaire gouverné — mesures, hiérarchies, logique de devise, libellés métier — qui se situe entre les tables brutes et un rapport ou un agent IA.
- Modèle analytique
- L'objet Datasphere/SAC qui porte la couche sémantique pour un domaine métier donné, exposable à Just Ask.
- Contrôle de préparation du modèle
- La passe automatisée du T3 2026 de SAC sur un modèle qui signale la sémantique manquante, les hiérarchies floues et les libellés ambigus.
- Text-to-SQL
- L'approche alternative qui ancre un LLM directement sur des schémas de base de données plutôt que sur une couche sémantique — voir C354.
Sources
Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · les pièges courants et leur correctif · l'aide-mémoire · les chiffres à citer.