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

RÉSUMÉ

Les graphiques de connaissances reposent sur des entités (nodes), des relations (edges), des attributs (properties), des ontologies (schéma) et des mécanismes d’inférence pour permettre aux machines de comprendre et de représenter l’information. Ils fonctionnent en collectant et en traitant les données, en extraire des entités et des relations, en structurant cette information dans un format graphique et en permettant le raisonnement et la consultation pour obtenir des informations. Les graphiques de connaissances sont largement utilisés dans les secteurs de l’e-commerce, de la finance, de la santé et de la cybersécurité pour améliorer la fonctionnalité de la 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 d’informations qui relie des entités, des concepts et les relations entre eux d’une manière que les machines peuvent comprendre et exploiter. Il organise les données en nœuds représentant des entités telles que des personnes, des lieux ou des objets, et en arêtes représentant leurs relations. Cela crée un réseau sémantique d’informations interconnectées.

Les graphiques de connaissances sont utilisés dans les moteurs de recherche, les systèmes de recommandation et les applications d’intelligence artificielle (IA) pour améliorer le processus de recherche de données, améliorer la compréhension contextuelle et fournir des informations plus précises. En exploitant des données structurées et en les associant à des informations existantes, les graphiques de connaissances permettent aux machines de traiter et d’interpréter la connaissance de manière similaire aux humains.

Continuez à lire cette ressource pour en savoir plus sur le fonctionnement des graphiques de connaissances et sur la façon de les créer.

• Principales caractéristiques des graphiques de connaissances
• Comment fonctionnent les graphiques de connaissances ?
• Ontologies et graphiques de connaissances
• Exemples de graphiques de connaissances
• Cas d'utilisation des graphiques de connaissances
• Les avantages du graphe de connaissances
• Comment construire un graphe de connaissances
• Principaux enseignements et ressources complémentaires
• FAQ

Principales caractéristiques des graphiques de connaissances

Avant de nous intéresser au fonctionnement des graphes de connaissances, il est important d’expliquer les éléments qui les rendent fonctionnels. Ces mécanismes constituent le fondement 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 éléments fondamentaux, nous pouvons mieux comprendre comment il organise les données, facilite Recherche sémantique, Il améliore les applications basées sur l'IA. Ci-dessous sont énumérés les éléments fondamentaux qui rendent les graphiques de connaissances des outils puissants pour structurer et analyser l'information.

Entités (Nodules)

Les entités constituent les éléments constitutifs d’un graphe de connaissances, et contiennent des entités du monde réel telles que des personnes, des lieux ou des objets. Une entité est un noeud contenant des informations significatives. Par exemple, “ Albert Einstein ” serait une entité possédant des attributs tels que la date de naissance et l’activité professionnelle. En fin de compte, les entités constituent le fondement des liens significatifs.

Les relations (Les bords)

Les relations sont les liens entre les éléments, formant des angles dans le graphe. Les relations décrivent la manière dont les éléments sont liés les uns aux autres ; par exemple, “ Albert Einstein ” → “ est né ” → “ en Allemagne ”. Les relations fournissent un contexte aux données et nous présentent un réseau d’informations liées.

Attributs (Propriétés)

Les attributs sont des informations spécifiques à l’entité qui fournissent des détails supplémentaires concernant le graphisme de connaissances. “ Paris ” aurait les attributs “ Population : 2,1 millions ” et “ Pays : France ”. Les attributs fournissent des détails importants sur le contexte de chaque entité.

Ontologie (schéma ou structure)

L’ontologie détermine la forme du graphe et le contraint en spécifiant les types d’entités et les relations. Elle contribue à assurer la cohérence des données en spécifiant ce qui peut être associé et comment. Par exemple, elle peut exiger que “ Personne ” puisse “ agir dans ” un “ Film ”, mais pas dans une “ Ville ”.”

Identifiants (IDs uniques)

Les identifiants uniques distinguent les entités similaires. Par exemple, le mot “ Apple ” peut désigner à la fois le fruit et l’entreprise, mais ils possèdent tous deux des identifiants uniques. Ces identifiants rendent le graphe correct et empêchent toute confusion.

Induction et raisonnement

L’inférence permet au graphe de créer de nouvelles relations à partir de relations existantes. Par exemple, si “ John ” est le père de “ Emma ” et “ Emma ” est la sœur de “ Liam ”, le graphe peut inférer que “ John ” est le père de “ Liam ”. Cette logique rend le graphe intelligent.

Ces composants interagissent pour former un ensemble d'informations organisé et utile, permettant une recherche plus intelligente et des applications IA.

Comment fonctionnent les graphiques de connaissances ?

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

Étape 1 : Collecter des données

Les graphiques 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 (par exemple, des feuilles de calcul) ou non structurés (par exemple, des articles). L’objectif est de recueillir le maximum d’informations afin de constituer une base de connaissances approfondie.

Étape 2 : Extrait des entités et des 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 le recognition of named entities (NER) et l’extraction de relations. Par exemple, il peut extraire que “ Barack Obama ” est une personne et qu’il a une relation comme “ a été président ” avec “ États-Unis ”.”

Étape 3 : Structurer et organiser

Une fois récupérées, les informations sont restituées dans un format structuré, généralement sous la forme de triples présentés comme : (Sujet, Précédent, Objet). Un exemple de ce système 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 : Raisonnement et interrogations

Une fois organisé, le graphe de connaissances peut raisonner des faits nouveaux en fonction de règles logiques. Par exemple, si “ A est le parent de B ” et “ B est le parent de C ”, le graphe sera capable de raisonner que “ A est le grand-parent de C ”. Les utilisateurs peuvent consulter le graphe à l’aide de langages de programmation comme SPARQL pour obtenir des informations ciblées.

Étape 5 : Utilisation et mise à jour

Enfin, le graph de connaissances renforce les moteurs de recherche, les systèmes de recommandation et les chatbots, en les intégrant. Recherche hybride, recherche vectorielleet les grands modèles linguistiques (LLM) Pour des réponses plus intelligentes et adaptées au contexte. Les mises à jour régulières en gardent le caractère précis et dynamique pour la structuration et l'accès aux connaissances.

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

Ontologies et graphiques de connaissances

Qu’est-ce qu’une ontologie ?

Une ontologie est une structure formelle qui décrit les concepts, les objets et leurs interrelations dans un domaine d’intérêt précis. Elle fournit des règles, des classes et des catégories qui permettent de classer et d’interpréter les données.

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

Un graphe de connaissances utilise une ontologie pour structurer les données, apportant cohérence et signification. L’ontologie est le fondement du graphe de connaissances, en spécifiant la manière dont les entités sont catégorisées et liées entre elles.

Exemple :
Un graphe de connaissances cinématographiques 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	Définition de règles et de relations	Stocke et connecte les données du monde réel
Structure	Modèle conceptuel (abstrait)	Réseau de données (pratique)
Utilisation	Donne du sens et de la raisonnement	Permet la recherche et l’analyse basées sur l’IA

Exemples de graphiques de connaissances

Voici quelques exemples bien connus de graphiques de connaissances :

• Graphique de connaissances de Google : Cette base de connaissances optimise les résultats de recherche en apprenant les relations entre les entités (par exemple, les personnes, les lieux ou les objets). Elle fournit des réponses directes ainsi que des informations plus détaillées et adaptées au contexte dans les résultats de recherche, telles qu’un tableau de connaissances sur les célébrités ou les monuments.
• Graphique des connaissances de LinkedIn : Cette base de connaissances regroupe les relations entre les personnes, les rôles, les compétences et les entreprises. Elle permet de proposer des recommandations de postes, de relations professionnelles et de contenu en fonction de votre profil et de votre réseau.
• Graphique de l'entité Facebook : Ce graphique relie les utilisateurs, les pages, les publications, les « j’aime » et les interactions afin de proposer 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 des utilisateurs.
• Graphique des produits d'Amazon : Ce graphique organise les informations relatives aux produits, aux avis et aux préférences des clients. Il alimente le moteur de recommandations d’Amazon en proposant des produits similaires ou connexes en fonction de l’historique de navigation et d’achat.

Chaque graphique permet une meilleure expérience utilisateur grâce à des recommandations personnalisées adaptées au contexte.

Cas d'utilisation des graphiques de connaissances

Voici quelques façons dont les graphiques de connaissances peuvent être utilisés dans différents secteurs d’activité :

• Systèmes de recommandation : Les plateformes e-commerce et de streaming utilisent des graphiques de connaissances Personnaliser les recommandations. Amazon suggère des produits en fonction du comportement des utilisateurs, tandis que Netflix recommande des contenus en analysant les habitudes de visionnage.
• Détection des fraudes 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.
• Santé et recherche biomédicale : Les professionnels de la santé utilisent les graphiques de connaissances pour relier les dossiers médicaux, les interactions médicamenteuses et les essais cliniques. Les chercheurs les utilisent pour accélérer la découverte de médicaments et l’innovation en matière de traitement.
• Cyber sécurité et intelligence des menaces : Les équipes de cybersécurité utilisent les graphiques de connaissances pour analyser les schémas 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 graphiques de connaissances pour structurer les données spatiales et les données d’Internet des objets (IoT), Permettre une prise de décision en temps réel et l'automatisation.

Les avantages du graphe de connaissances

Les graphiques de connaissances bénéficient aux applications IA en leur permettant d’organiser, de relier et de raisonner à partir de données complexes. Voici les façons spécifiques dont ils le font :

• Une recherche et une découverte améliorées : Les graphiques de connaissances permettent la recherche sémantique et des réponses intelligentes aux requêtes en reliant des concepts liés et en établissant des connexions entre des informations. Cette capacité améliore l’expérience utilisateur pour les moteurs de recherche web et internes.
• Personnalisation : Les graphiques de connaissances permettent la personnalisation grâce à l’analyse du comportement et des goûts des utilisateurs. Cette fonctionnalité permet aux applications de proposer des recommandations personnalisées et d’améliorer les efforts de publicité ciblée.
• Traitement du langage naturel (NLP) : Les graphiques de connaissances permettent des applications de NPL telles que la reconnaissance d’entités, la réponse à des questions (QA) et la synthèse de textes. Ces fonctionnalités permettent aux machines de comprendre et de générer des réponses proches de celles des humains, ce qui améliore la qualité des réponses. Les chatbots et les assistants virtuels.

Comment construire un graphe de connaissances

La création d’un graphe de connaissances comporte les étapes suivantes :

1. Définir le but et le champ d’application : Identifiez les domaines, les entités clés et les relations pertinents pour votre application.
2. Recueillir et traiter les données : Recueillir des données structurées (bases de données et API) et non structurées (documents et textes), puis les nettoyer et les normaliser.
3. Déterminer les entités et les relations : Utilisez le NLP pour identifier les concepts clés dans vos données, puis structuriez-les dans un format graphique.
4. Stockage dans une base de données graphiques : Organisez et gérez les relations dans vos données grâce à des bases de données comme Neo4j ou Amazon Neptune.
5. Interroger et analyser : Utilisez des langages comme Cypher, Gremlin ou SPARQL pour obtenir des informations et découvrir des tendances dans vos données.
6. Visualiser et déployer : Utilisez des logiciels comme Gephi, Linkurious ou GraphX pour visualiser les relations entre les données et les déployer dans des applications.

Principaux enseignements et ressources complémentaires

Dans cette ressource, nous avons appris que :

• Les graphiques de connaissances structurent les données en entités et en relations afin d’améliorer la fonctionnalité de recherche, d’améliorer les applications d’intelligence artificielle et d’aider à prendre des décisions.
• Les graphiques de connaissances permettent aux moteurs de recherche et aux systèmes de recommandation de fonctionner, permettent aux institutions financières de détecter les fraudes, permettent aux professionnels de la santé d’améliorer les soins aux patients et aident les professionnels de la cybersécurité à détecter les vulnérabilités et à renforcer la sécurité.
• La création d’un graphe de connaissances implique la définition de l’étendue du projet, la collecte de données, l’identification des entités, l’utilisation de bases de données graphiques, la consultation des informations pertinentes 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 la requête, tandis que des outils de visualisation comme Gephi et Linkurious aident à explorer les relations.

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

Ressources complémentaires

• De la conception à la codification : LLM + RAG avec Couchbase
• Comment le Génératif AI fonctionne avec Couchbase
• Un guide sur les embeddings de LLM
• Base de connaissances sur la population (KBP) – Le groupe de traitement du langage naturel de Stanford

FAQ

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

À quoi servent les graphiques de connaissances ? Les graphiques 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 graphiques de connaissances ? Les bases de données graphiques stockent et gèrent des données connectées à l’aide de nœuds et d’arêtes, tandis que les graphiques de connaissances ajoutent une signification sémantique en incorporant des ontologies, des relations et une compréhension contextuelle pour une raisonnement intelligent.

Qu’est-ce qu’un triplestore ? Un triplestore est une base de données conçue pour stocker et gérer des données dans des triples sujet-précédent-objet, ce qui permet une interrogation efficace et la recherche de relations sémantiques dans les graphiques de connaissances.

ChatGPT utilise-t-il des graphiques de connaissances ? Bien que ChatGPT ne s’appuie pas directement sur des graphiques de connaissances, il s’appuie sur de grands modèles de langage (LLM) formés à partir de données textuelles.