Que sont 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 les entités et les relations, en structurant ces informations sous forme de graphe et en permettant le raisonnement et l'interrogation pour obtenir des informations. Les graphes de connaissances sont largement utilisés dans les secteurs du commerce électronique, de la finance, des soins de santé et de la cybersécurité pour améliorer les fonctionnalités de recherche, détecter les fraudes, 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 de l'information qui relie les entités, les 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, la compréhension du contexte 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'utilisation du graphe de connaissances
• Avantages du graphe 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 les entités du monde réel, leurs attributs et leurs relations. En décomposant un graphe de connaissances en ses éléments de base, nous pouvons mieux comprendre comment il organise les données, facilite l'accès à l'information et l'utilisation de la technologie. recherche sémantique, et améliore les applications basées sur l'IA. Vous trouverez ci-dessous les éléments fondamentaux qui font des graphes de connaissances de puissants outils de structuration et d'analyse de l'information.

Entités (nœuds)

Les entités sont les éléments constitutifs 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 avec des attributs tels que la date de naissance et la profession. En fin de compte, les entités constituent la base de liens significatifs.

Relations (bords)

Les relations sont les liens entre les éléments, qui forment les arêtes du graphique. Les relations décrivent comment les choses sont liées les unes aux autres, par exemple, “Albert Einstein” → “est né en” → “Allemagne”. Les relations fournissent un contexte aux données et nous présentent un réseau d'informations connexes.

Attributs (propriétés)

Les attributs sont des informations spécifiques à l'entité qui fournissent des détails supplémentaires sur le graphe de connaissances. “Paris” aurait pour attributs “Population : 2,1 millions” et “Pays : France” comme attributs. Les attributs fournissent des informations de base importantes sur chaque entité.

Ontologie (schéma ou structure)

L'ontologie dicte la forme du graphe et le contraint en spécifiant le type d'entité et les relations. L'ontologie contribue à garantir la cohérence des données en spécifiant ce qui peut être lié et comment. Par exemple, elle peut stipuler qu'une “personne” peut “agir” dans un “film”, mais pas dans une “ville”.”

Identifiants (ID uniques)

Les identifiants uniques distinguent des entités similaires. Par exemple, le mot “Apple” peut désigner le fruit et l'entreprise, mais ils possèdent tous deux des identifiants uniques. Les identifiants rendent le graphique correct et évitent toute confusion.

Inférence et raisonnement

L'inférence permet au graphique d'établir de nouvelles connexions à partir des relations. Par exemple, si “Jean” est le père d“”Emma“ et qu”“Emma” est la sœur de “Liam”, le graphique peut déduire que “Jean” est le père de "Liam". Ce raisonnement rend le graphique intelligent.

Ces composants fonctionnent ensemble pour former un ensemble d'informations organisé et utile, ce qui permet une recherche plus intelligente et des applications d'intelligence artificielle.

Comment fonctionnent les graphes de connaissances ?

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

Étape 1 : Collecte de données

Les graphes de connaissances commencent par la collecte de données à partir de sources telles que des bases de données, des fichiers texte, des API ou des sites web. Les données peuvent être structurées (p. ex. feuilles de calcul) ou non structurés (par exemple, des articles). L'objectif est de collecter autant d'informations que possible afin de constituer une large base de connaissances.

Étape 2 : Extraire les entités et les relations

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

Étape 3 : Structurer et organiser

Une fois extraites, les informations sont renvoyées dans un format structuré, généralement sous la forme de triples : (Sujet, Prédicat, Objet). Un exemple en est (Paris, est la capitale de la France). Un schéma ou une ontologie est également créé pour classer les entités et les relations afin qu'elles soient cohérentes et interprétées sémantiquement.

Étape 4 : Raison et requête

Après avoir été organisé, le graphe de connaissances peut raisonner sur de nouveaux faits en se basant sur des règles logiques. Par exemple, si “A est un parent de B” et “B est un parent de C”, le graphe sera capable de raisonner que “A est un grand-parent de C”. Les utilisateurs peuvent interroger le graphe à l'aide de 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 les éléments suivants recherche hybride, recherche vectorielleet les grands modèles linguistiques (LLM) pour des réponses plus intelligentes et adaptées au contexte. Des mises à jour régulières assurent la précision et le dynamisme de la structuration des connaissances et de l'accès à celles-ci.

Ce processus étape par étape transforme les 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 les concepts, les objets et leurs interconnexions dans un domaine d'intérêt spécifique. Elle fournit des règles, des classes et des catégories qui aident à classer et à interpréter les données.

Quel est le lien entre les ontologies et les graphes de connaissances ?

Un graphe de connaissances utilise une ontologie pour structurer les données, apportant cohérence et sémantique. L'ontologie est l'épine dorsale du graphe de connaissances, car elle spécifie comment les entités sont classées et reliées.

Exemple :
Un graphe de connaissances sur les 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

Exemples de graphes de connaissances

Voici quelques exemples bien connus de graphes de connaissances :

• Le graphe de connaissances de Google : Cette base de connaissances permet d'affiner les résultats de la recherche en apprenant les relations entre les entités (par exemple, les personnes, les lieux ou les choses). Elle fournit des réponses directes et des informations plus détaillées et contextuelles dans les résultats de recherche, comme un panneau de connaissances sur les célébrités ou les sites touristiques.
• Le graphe de connaissances de LinkedIn : Cette base de connaissances cartographie les relations entre les personnes, les rôles, les compétences et les entreprises. Elle permet de fournir des recommandations d'emploi, des relations professionnelles et du contenu en fonction de votre profil et de votre réseau.
• Le graphe des entités de Facebook : Ce graphique relie les utilisateurs, les pages, les messages, les mentions "J'aime" et les interactions afin de proposer un contenu et des publicités pertinents. Il améliore également l'expérience de l'utilisateur en recommandant des messages, des groupes et des événements pertinents en fonction du comportement.
• Graphique du produit Amazon : Ce graphique organise les informations relatives aux produits, aux avis et aux préférences des clients. Il alimente le moteur de recommandation d'Amazon en suggérant des produits similaires ou apparentés grâce à l'historique de navigation et d'achat.

Chaque graphique permet d'améliorer l'expérience de l'utilisateur grâce à des recommandations personnalisées et contextuelles.

Cas d'utilisation du graphe de connaissances

Voici quelques exemples d'utilisation des graphes de connaissances dans les différents secteurs d'activité :

• Systèmes de recommandation : Les plateformes de commerce électronique et de diffusion en continu utilisent des graphes de connaissances pour personnaliser les recommandations. Amazon suggère des produits en fonction du comportement de l'utilisateur, tandis que Netflix recommande des contenus en analysant les habitudes de visionnage.
• Détection de la fraude et analyse des risques : Les institutions financières détectent les fraudes en identifiant les relations suspectes et les schémas cachés dans les transactions. Les graphiques de connaissances permettent également d'évaluer le risque de crédit et d'améliorer la conformité.
• Soins de santé et recherche biomédicale : Les professionnels de la santé utilisent les graphes de connaissances pour relier les dossiers des patients, les interactions médicamenteuses et les essais cliniques. Les chercheurs les utilisent pour accélérer la découverte de médicaments et l'innovation en matière de traitement.
• Cybersécurité et renseignement sur les menaces : Les équipes de cybersécurité utilisent des graphes de connaissances pour analyser les schémas d'attaque et les entités malveillantes. Ils permettent de détecter les menaces, d'identifier les vulnérabilités et de renforcer les défenses de sécurité.
• Assistants intelligents et systèmes autonomes : Les voitures auto-conduites et les villes intelligentes utilisent des graphes de connaissances pour structurer les données spatiales et IoT, permettre une prise de décision en temps réel et l'automatisation.

Avantages du graphe de connaissances

Les graphes de connaissances profitent aux applications d'IA en leur permettant d'organiser, de relier et de raisonner à partir de données complexes. Voici comment ils y parviennent :

• Recherche et découverte améliorées : Les graphes de connaissances permettent une recherche sémantique et des réponses intelligentes aux requêtes en reliant les concepts connexes et en déduisant les liens entre les éléments d'information. Cette capacité améliore l'expérience de l'utilisateur pour le web et les moteurs de recherche 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 du langage naturel (NLP) : Les graphes de connaissances permettent des applications NLP telles que la reconnaissance d'entités, la réponse à des questions (QA) et le résumé de textes. Ces caractéristiques permettent aux machines de comprendre et de générer des réponses semblables à celles d'un être humain, ce qui améliore l'efficacité de l'analyse de l'information. les chatbots et les assistants virtuels.

Comment construire un graphe de connaissances

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

1. Définir l'objectif et le champ d'application : Identifier le domaine, les entités clés et les relations pertinentes pour votre application.
2. Collecter et traiter les données : Collecter des données structurées (bases de données et API) et non structurées (documents et textes), puis les nettoyer et les normaliser.
3. Identifier les entités et les relations : Utilisez le NLP pour identifier les concepts clés dans vos données, puis structurez-les sous forme de graphique.
4. Stocker dans une base de données graphique : Stockez et gérez les relations dans vos données avec des bases de données telles que Neo4j ou Amazon Neptune.
5. Interroger et analyser : Utilisez des langages tels que Cypher, Gremlin ou SPARQL pour obtenir des informations et découvrir des modèles dans vos données.
6. Visualiser et déployer : Utiliser des logiciels tels que Gephi, Linkurious ou GraphX pour visualiser les relations entre les données et les déployer dans les applications.

Principaux enseignements et ressources complémentaires

Dans cette ressource, nous avons appris que

• Les graphes de connaissances structurent les données en entités et en relations afin d'améliorer les fonctionnalités de recherche, les applications d'intelligence artificielle et la prise de décision.
• Les graphes de connaissances alimentent les moteurs de recherche et les systèmes de recommandation, permettent aux institutions financières de détecter les fraudes, aux professionnels de la santé d'améliorer les soins aux patients et aux professionnels de la cybersécurité de détecter les vulnérabilités et de renforcer la sécurité.
• La construction d'un graphe de connaissances implique la définition du champ d'application, la collecte de données, l'identification des entités, l'utilisation de bases de données de graphes, l'interrogation d'informations et la visualisation des résultats.
• Les bases de données graphiques telles que Neo4j et Amazon Neptune sont couramment utilisées pour le stockage et l'analyse.
• Cypher, Gremlin ou SPARQL sont utilisés pour les requêtes, tandis que des outils de visualisation tels que Gephi et Linkurious permettent d'explorer les relations.

Pour en savoir plus sur les concepts liés à l'IA, vous pouvez consulter notre plaque tournante et consultez les ressources ci-dessous :

Ressources complémentaires

• Du concept au code : LLM + RAG avec Couchbase
• Comment l'IA générative fonctionne avec Couchbase
• Un guide pour les encodages LLM
• Population de bases de connaissances (KBP) - The Stanford Natural Language Processing Group

FAQ

Qu'est-ce qu'un graphe de connaissances en IA ? Dans le domaine de l'intelligence artificielle, un graphe de connaissances est une représentation structurée de données qui relie des entités, des concepts et leurs relations afin de permettre la compréhension, le raisonnement et la prise de décision par la machine.

À quoi servent les graphes de connaissances ? Les graphes de connaissances sont utilisés pour améliorer la recherche, les systèmes de recommandation, l'intégration des données, l'intelligence artificielle et le raisonnement automatisé.

Quelle est la différence entre les bases de données graphiques et les graphes de connaissances ? Les bases de données graphiques stockent et gèrent des données connectées à l'aide de nœuds et d'arêtes, tandis que les graphes de connaissances ajoutent une signification sémantique en incorporant des ontologies, des relations et une compréhension contextuelle pour un raisonnement intelligent.

Qu'est-ce qu'un triplestore ? Un triplestore est une base de données conçue pour stocker et gérer des données sous forme de triples sujet-prédicat-objet, ce qui permet d'effectuer des recherches efficaces et de retrouver des relations sémantiques dans les graphes de connaissances.

ChatGPT utilise-t-il des graphes de connaissances ? Bien que ChatGPT n'utilise pas directement les graphes de connaissances, il s'appuie sur de grands modèles de langage (LLM) formés sur des données textuelles.