Qu'est-ce que les graphes de connaissances ?

RÉSUMÉ

Les graphes de connaissances s'appuient sur des entités (nœuds), des relations (arêtes), des attributs (propriétés), des ontologies (schémas) et des mécanismes d'inférence pour permettre aux machines de comprendre et de représenter l'information. Ils fonctionnent en collectant et en traitant des données, en extrayant des entités et des relations, en structurant cette information sous un format de graphe, et en permettant le raisonnement et l'interrogation pour obtenir des informations exploitables. Les graphes de connaissances sont largement utilisés dans les secteurs du commerce électronique, de la finance, de la santé et de la cybersécurité pour améliorer la fonctionnalité de recherche, détecter la fraude, personnaliser les recommandations et améliorer la prise de décision.

Qu'est-ce qu'un graphe de connaissances ?

Un graphe de connaissances est une représentation structurée d'informations qui relie des entités, des concepts et les relations entre eux d'une manière que les machines peuvent comprendre et utiliser. Il organise les données en nœuds qui représentent des entités telles que des personnes, des lieux ou des choses, et en arêtes qui représentent leurs relations. Cela crée un réseau sémantique d'informations interconnectées.

Les graphes de connaissances sont utilisés dans les moteurs de recherche, les systèmes de recommandation et les applications d'intelligence artificielle (IA) pour améliorer la recherche de données, parfaire la compréhension contextuelle et fournir des informations plus précises. En exploitant des données structurées et en les reliant à des informations existantes, les graphes de connaissances aident les machines à traiter et à déduire des connaissances de la même manière que les humains.

Continuez à lire cette ressource pour en savoir plus sur le fonctionnement des graphes de connaissances et sur la manière de les construire.

• Éléments clés des graphes de connaissances
• Comment fonctionnent les graphes de connaissances ?
• Ontologies et graphes de connaissances
• Exemples de graphes de connaissances
• Cas d'usage des graphes de connaissances
• Avantages des graphes de connaissances
• Comment construire un graphe de connaissances
• Principaux enseignements et ressources complémentaires
• FAQ

Éléments clés des graphes de connaissances

Avant de nous plonger dans le fonctionnement des graphes de connaissances, il est important d'expliquer les éléments qui les font fonctionner. Ces mécanismes constituent la base des graphes de connaissances, leur permettant de représenter des entités du monde réel, leurs attributs et leurs relations. En décomposant un graphe de connaissances en ses composants de base, nous pouvons mieux comprendre comment il organise les données, facilite recherche sémantique, et améliore les applications pilotées par l'IA. Voici les éléments fondamentaux qui font des graphes de connaissances des outils puissants pour structurer et analyser l'information.

Entités (Nœuds)

Les entités sont les composantes de base d'un graphe de connaissances, contenant des entités du monde réel telles que des personnes, des lieux ou des choses. Une entité est un nœud contenant des informations significatives. Par exemple, “ Albert Einstein ” serait une entité dotée d'attributs tels que sa date de naissance et sa profession. En fin de compte, les entités constituent la base de liens significatifs.

Relations (Arêtes)

Les relations sont les connexions entre les éléments, formant des arêtes dans le graphe. Les relations décrivent comment les éléments sont liés les uns aux autres, par exemple, “ Albert Einstein ” → “ est né en ” → “ Allemagne ”. Les relations fournissent un contexte pour les données et nous présentent un réseau d'informations connexes.

Attributs (Propriétés)

Les attributs sont des informations spécifiques à une entité qui fournissent des détails supplémentaires sur le graphe de connaissances. “ Paris ” aurait “ Population : 2,1 millions ” et “ Pays : France ” comme attributs. Les attributs fournissent des détails d'arrière-plan importants sur chaque entité.

Ontologie (schéma ou structure)

L'ontologie dicte la forme du graphe et le contraint en spécifiant le type d'entités et les relations. L'ontologie contribue à garantir la cohérence des données en spécifiant ce qui peut être relié et comment. Par exemple, elle peut exiger qu'une “ Personne ” puisse “ jouer dans ” un “ Film ” mais pas dans une “ Ville ”.”

Identifiants (ID uniques)

Les identifiants uniques permettent de distinguer des entités similaires. Par exemple, le mot “ Apple ” peut désigner le fruit et l'entreprise, mais ils possèdent tous deux des identifiants uniques. Ces identifiants rendent le graphe correct et préviennent toute confusion.

Inférence et raisonnement

L'inférence permet au graphe de créer de nouvelles connexions à partir de relations. Par exemple, si “ John ” est le père de “ Emma ”, et que “ Emma ” est la sœur de “ Liam ”, alors le graphe peut déduire que “ John ” est le père de “ Liam ”. Ce raisonnement rend le graphe intelligent.

Ces composants fonctionnent ensemble pour former un ensemble d'informations organisé et utile, conduisant à des applications de recherche et d'IA plus intelligentes.

Comment fonctionnent les graphes de connaissances ?

Les graphes de connaissances intègrent des informations provenant de sources diverses pour créer un réseau complet et interconnecté d'entités et de leurs relations. Voici une analyse de leur fonctionnement :

Étape 1 : Collecter des données

Les graphes de connaissances commencent par la collecte de données provenant de sources telles que des bases de données, des fichiers texte, des API ou des sites Web. Les données peuvent être structurées (par exemple, des feuilles de calcul) ou non structurées (par ex. les articles). L'objectif est de collecter autant d'informations que possible pour constituer une vaste base de connaissances.

Étape 2 : Extraire les entités et les relations

Ensuite, le système identifie les entités importantes (par exemple, des personnes, des lieux ou des organisations) et leurs relations à l'aide de techniques telles que la reconnaissance d'entités nommées (NER) et l'extraction de relations. Par exemple, il peut extraire que “ Barack Obama ” est un individu et qu'il entretient une relation telle que “ a été président de ” avec “ les États-Unis ”.”

Étape 3 : Structurer et organiser

Une fois récupérée, l'information est renvoyée dans un format structuré, généralement des triplés présentés sous la forme : (Sujet, Prédicat, Objet). Un exemple de ceci est (Paris, estCapitaleDe, France). Un schéma ou une ontologie est également créé pour classifier les entités et les relations afin d'être cohérent et interprété sémantiquement.

Étape 4 : Raisonner et interroger

Après avoir été organisé, le graphe de connaissances peut déduire de nouveaux faits sur la base de règles logiques. Par exemple, si “ A est un parent de B ” et “ B est un parent de C ”, le graphe sera capable de déduire que “ A est un grand-parent de C ”. Les utilisateurs peuvent interroger le graphe via des langages de programmation tels que SPARQL pour récupérer des informations ciblées.

Étape 5 : Utilisation et mise à jour

Enfin, le graphe de connaissances alimente les moteurs de recherche, les systèmes de recommandation et les chatbots, en intégrant recherche hybride, recherche vectorielleet les grands modèles linguistiques (LLM) pour des réponses plus intelligentes et adaptées au contexte. Des mises à jour régulières assurent sa précision et son dynamisme pour la structuration et l'accès aux connaissances.

Ce processus étape par étape transforme des données brutes en un réseau de connaissances interconnecté et intelligent.

Ontologies et graphes de connaissances

Qu'est-ce qu'une ontologie ?

Une ontologie est une structure formelle qui décrit des concepts, des objets et leurs interconnexions dans un domaine d'intérêt spécifique. Elle fournit des règles, des classes et des catégories qui aident à classifier et à interpréter les données.

Comment les ontologies sont-elles liées aux graphes de connaissances ?

Un graphe de connaissances utilise une ontologie pour structurer les données, apportant cohérence et sémantique. L'ontologie constitue la colonne vertébrale du graphe de connaissances, spécifiant comment les entités sont catégorisées et reliées.

Exemple :
Un graphe de connaissances de films suit une ontologie qui spécifie :

• Les acteurs peuvent jouer dans des films
• Les réalisateurs peuvent réaliser des films
• Les films peuvent avoir un genre

Principales différences :

Fonctionnalité	Ontologie	Graphe de connaissances
Objectif	Définit des règles et des relations	Stocke et connecte des données du monde réel
Structure	Modèle conceptuel (abstrait)	Réseau de données (pratique)
Utilisation	Fournit le sens et le raisonnement	Permet la recherche et l'analyse guidées par l'IA

Exemples de graphes de connaissances

Voici quelques exemples bien connus de graphes de connaissances :

• Graphe de connaissances Google Cette base de connaissances affine les résultats de recherche en apprenant les relations entre les entités (par exemple, des personnes, des lieux ou des choses). Elle fournit des réponses directes et des informations plus détaillées et adaptées au contexte dans les résultats de recherche, telles qu'un panneau de connaissances pour les célébrités ou les monuments.
• Graphe de connaissances LinkedIn : Cette base de connaissances cartographie les relations entre les personnes, les rôles, les compétences et les entreprises. Elle aide à fournir des recommandations d'emploi, des relations professionnelles et du contenu basé sur votre profil et votre réseau.
• Graphe d'entités de Facebook Ce graphique relie les utilisateurs, les pages, les publications, les « J'aime » et les interactions pour aider à diffuser du contenu et des publicités pertinents. Il améliore également l'expérience utilisateur en recommandant des publications, des groupes et des événements pertinents en fonction du comportement.
• Graphe de produits Amazon : Ce graphique organise les informations sur les produits, les avis et les préférences des clients. Il alimente le moteur de recommandation d'Amazon en suggérant des produits similaires ou connexes grâce à l'historique de navigation et d'achat.

Chaque graphique permet une meilleure expérience utilisateur avec des recommandations personnalisées et contextuelles.

Cas d'usage des graphes de connaissances

Voici quelques-unes des façons dont les graphes de connaissances peuvent être utilisés dans tous les secteurs :

• Systèmes de recommandation : Les plateformes de commerce électronique et de streaming utilisent des graphes de connaissances pour personnaliser les recommandations. Amazon suggère des produits en se basant sur le comportement des utilisateurs, tandis que Netflix recommande du contenu en analysant les habitudes de visionnage.
• Détection de fraude et analyse de risques : Les institutions financières détectent la fraude en identifiant des relations suspectes et des schémas cachés dans les transactions. Les graphes de connaissances aident également à évaluer le risque de crédit et à améliorer la conformité.
• Soins de santé et recherche biomédicale : Les professionnels de la santé utilisent des graphes de connaissances pour relier les dossiers des patients, les interactions médicamenteuses et les essais cliniques. Les chercheurs les mettent à profit pour accélérer la découverte de médicaments et l'innovation thérapeutique.
• Cybersécurité et veille sur les menaces : Les équipes de cybersécurité utilisent des graphes de connaissances pour analyser les schénums d'attaque et les entités malveillantes. Ils aident à détecter les menaces, à identifier les vulnérabilités et à renforcer les défenses de sécurité.
• Assistants intelligents et systèmes autonomes : Les voitures autonomes et les villes intelligentes utilisent des graphes de connaissances pour structurer les données spatiales et celles de l'Internet des objets, permettant la prise de décision en temps réel et l'automatisation.

Avantages des graphes de connaissances

Les graphes de connaissances profitent aux applications d'IA en leur permettant d'organiser, de connecter et de raisonner à travers des données complexes. Voici les manières spécifiques dont ils procèdent :

• Recherche et découverte améliorées : Les graphes de connaissances permettent la recherche sémantique et des réponses intelligentes aux requêtes en liant des concepts connexes et en déduisant des connexions entre des éléments d'information. Cette capacité améliore l'expérience utilisateur des moteurs de recherche web et internes.
• Personnalisation Les graphes de connaissances permettent la personnalisation en comprenant le comportement et les goûts des utilisateurs. Cette capacité permet aux applications de faire des recommandations personnalisées et d'améliorer les efforts de publicité ciblée.
• Traitement automatique du langage naturel (TALN) : Les graphes de connaissances permettent des applications de traitement automatique du langage naturel (TALN) telles que la reconnaissance d'entités, la réponse aux questions et le résumé de texte. Ces fonctionnalités permettent aux machines de comprendre et de générer des réponses de type humain, améliorant ainsi les chatbots et assistants virtuels.

Comment construire un graphe de connaissances

La construction d'un graphe de connaissances comprend les étapes suivantes :

1. Définir l'objet et la portée : Identify the domain, key entities, and relationships relevant to your application.
2. Collect and process data: Collect structured (databases and APIs) and unstructured (documents and text) data, then cleanse and normalize it.
3. Identify entities and relationships: Use NLP to identify key concepts in your data, then structure them in a graph format.
4. Store in a graph database: Store and manage relationships in your data with databases like Neo4j or Amazon Neptune.
5. Query and analyze: Use languages like Cypher, Gremlin, or SPARQL to gain insights and discover patterns in your data.
6. Visualize and deploy: Use software like Gephi, Linkurious, or GraphX to visualize data relationships and deploy them into applications.

Principaux enseignements et ressources complémentaires

In this resource, we learned that:

• Knowledge graphs structure data into entities and relationships to improve search functionality, enhance AI applications, and aid decision making.
• Knowledge graphs power search engines and recommendation systems, allow financial institutions to detect fraud, enable medical professionals to improve patient care, and help cybersecurity professionals detect vulnerabilities and enhance security.
• Building a knowledge graph involves defining scope, collecting data, identifying entities, utilizing graph databases, querying insights, and visualizing results.
• Graph databases like Neo4j and Amazon Neptune are commonly used for storage and analysis.
• Cypher, Gremlin, or SPARQL are used for querying, while visualization tools like Gephi and Linkurious help explore relationships.

To learn more about concepts related to AI, you can review our hub and check out the resources below:

Ressources complémentaires

• From Concept to Code: LLM + RAG With Couchbase
• How Generative AI Works With Couchbase
• A Guide to LLM Embeddings
• Knowledge Base Population (KBP) – The Stanford Natural Language Processing Group

FAQ

What is a knowledge graph in AI? In AI, a knowledge graph is a structured representation of data that connects entities, concepts, and their relationships to enable machine understanding, reasoning, and decision making.

What are knowledge graphs used for? Knowledge graphs are used to improve search, recommendation systems, data integration, artificial intelligence, and automated reasoning.

What is the difference between graph databases and knowledge graphs? Graph databases store and manage connected data using nodes and edges, while knowledge graphs add semantic meaning by incorporating ontologies, relationships, and contextual understanding for intelligent reasoning.

What is a triplestore? A triplestore is a database designed to store and manage data in subject-predicate-object triples, which enables efficient querying and semantic relationship retrieval in knowledge graphs.

Does ChatGPT use knowledge graphs? Although ChatGPT doesn’t directly use knowledge graphs, it does rely on large language models (LLMs) trained on textual data.