Learning Model
La mémoire qui grandit avec chaque modèle
Le deuxième service modélise la même réception de marchandises. Même rôle, même système, même transaction – et personne ne sait que tout cela existe déjà. Dans la plupart des outils, chaque modèle repart de zéro.
Le problème
Le double travail n’est pas de la négligence
Il naît parce que personne ne voit ce qui existe déjà. Qui nomme un rôle ignore l’orthographe du service voisin. Qui saisit un système ignore son nom trois modèles plus loin.
« Chef d’entrepôt » ou « Responsable entrepôt » ?
Deux orthographes, deux entrées – et chaque analyse les compte séparément.
La même transaction, saisie trois fois
Avec des suffixes différents, des sens différents, sans lien.
Ce que TAOM fait autrement
Chaque modèle alimente la même mémoire
À l’enregistrement, chaque information d’une étape rejoint un répertoire d’entreprise : rôles, systèmes, transactions, contrôles obligatoires, risques, identifiants. Non pas comme copie – comme preuve de tous les endroits où ce terme apparaît.
Quatre modèles, une mémoire – et le retour vers le bas est le vrai bénéfice.
La preuve
Non pas affirmé – dénombrable
La mémoire n’est pas une déclaration d’intention mais un répertoire interrogeable. Chaque chiffre provient de modèles enregistrés.
Ces chiffres viennent de notre environnement de démonstration public – une poignée de processus d’exemple. En entreprise, c’est différent : chaque projet ajoute des modèles, et la mémoire gagne en précision chaque année. Le nombre de modèles n’est pas limité; ce qui figure ici prouve la méthode – pas son échelle.
Relevé dans notre environnement de démonstration
Non pas saisi, mais compté : la bibliothèque naît des modèles enregistrés – rôles, activités, décisions et domaines avec leur fréquence. Le style aussi est mesuré, non imposé : couloirs verticaux, flux de haut en bas.
Tous les modèles ne comptent pas. Les diagrammes produits bruts par l’agent ou créés anonymement restent dehors, ainsi que les modèles de test trop petits. Sinon la mémoire apprendrait d’essais plutôt que de processus tenus – le chiffre est donc plus petit que le total, et fiable pour autant.
Où cela est-il utilisé ?
Un rôle, un système, une transaction – cherchés dans tous les modèles de l’entreprise, pas dans le fichier ouvert.
Où manque-t-il quelque chose ?
Contrôle requis sans cas de test, risque sans contrôle, généré par IA sans validation – treize questions prêtes.
Et le jumeau ?
Mémoire et jumeau sont deux choses
Das Learning Model est la base de savoir : quels termes existent, où ils apparaissent, dans quel sens. Le Digital Twin est l’image de l’exploitation : quels processus tournent, qui en répond, quels systèmes les portent, où ils en sont.
L’un nourrit l’autre. Sans mémoire, le jumeau resterait une collection d’images isolées – justes une à une, reliées à rien.
Honnêtement
Ce qui marche aujourd’hui – et ce qui ne marche pas encore
Le répertoire trouve de façon fiable : dans tous les modèles, tous les attributs, en texte libre et par treize questions. La bibliothèque est en place et l’agent s’en sert pour disposer les nouveaux modèles. Sa taille dépend du fonds : dans notre démonstration, 17 modèles retenus – dans une entreprise avec dix ans de travail sur les processus, bien davantage.
Deux recherches, deux rôles. Dans tous les modèles, la recherche porte sur les attributs – rôles, systèmes, transactions, états de contrôle. Dans un modèle ouvert, l’éditeur et la visionneuse cherchent en plus dans le texte courant des descriptions. L’une trouve où une chose apparaît ; l’autre, ce qui y est écrit.
Dans le framework TAOM : TOOL-11 – la méthode derrière cette fonction.