AI Nation | Introduction au Knowledge Graph !

Dans le monde de l'intelligence artificielle, un Knowledge Graph est une méthode qui consiste à organiser les connaissances sous la forme d'une mind map en reliant les informations entre elles afin de représenter les liens qui existent entre les différents éléments.

Aujourd'hui, cette méthode est largement utilisée pour fournir aux agents IA des connaissances structurées et faciles à exploiter, leur permettant donc de comprendre un contexte plus étendu, de produire des réponses plus pertinentes et surtout de réduire la consommation des tokens.

L'un des principaux avantages de cette approche est que, lorsqu'un agent IA doit répondre à une question, il n'a pas besoin de parcourir des milliers de documents, l'agent va naviguer directement dans ce réseau de connaissances afin de retrouver les informations pertinentes et de comprendre les relations qui les unissent pour fournir une réponse fiable et rapide.

Vous l'aurez compris le principe d'un Knowledge Graph est de transformer des informations dispersées en un réseau structuré que les agents IA peuvent explorer facilement.

Concrètement, un Knowledge Graph repose sur trois grandes notions :

• Les entités (ou nœuds) qui représentent les différents éléments de connaissance, comme une personne, une entreprise, un produit ou un document.
• Les relations (ou liens) qui décrivent la manière dont les entités sont connectées entre elles, avec des liens pouvant être unidirectionnels ou bidirectionnels.
• Les propriétés (ou description) qui apportent des informations complémentaires sur une entité ou une relation, comme un nom, une date, une catégorie ou une description.

Pris individuellement, les entités, les relations et les propriétés n'ont qu'une valeur limitée, en revanche, c'est leur combinaison qui donne naissance à un Knowledge Graph capable de représenter un domaine de manière cohérente et exploitable par une intelligence artificielle.

Aujourd'hui, les grands modèles de langage (LLM) comme ChatGPT ou Claude disposent de connaissances générales, mais ils ne connaissent pas les informations propres à une entreprise. Pour répondre de manière fiable aux questions des utilisateurs, ils ont donc besoin d'accéder à une source de connaissances structurée.

Une première solution pourrait consister à transmettre l'ensemble de ces documents au modèle avant chaque question, mais en pratique, cette approche devient rapidement inefficace car plus le volume d'informations est important, plus la consommation de tokens augmente, les temps de réponse s'allongent et le modèle risque tout simplement d'halluciner.

Dans ce contexte, les agents IA doivent non seulement disposer des connaissances propres à votre entreprise, mais également d'une cartographie précise des relations entre ces informations afin de limiter les risques évoqués précédemment.

Prenons un exemple parlant adapté à un système d'informations d'entreprises. Si un utilisateur demande : "Quelle formation IA est la plus adaptée à une PME débutante ?"

Dans cet exemple, l'agent commence par analyser la requête afin d'identifier l'intention de l'utilisateur et les principales entités du graphique.

Une fois l'entité "Formation IA" détectée, elle devient son point d'entrée dans le Knowledge Graph et l'agent va alors suivre l'ensemble des relations qui relient cette entité aux autres connaissances de l'entreprise avant de consulter les propriétés associées (niveau, durée, public, objectifs...) afin de récupérer uniquement les informations nécessaires à la génération de sa réponse.

Prenons maintenant un exemple adapté à un système agentique de création de contenus. Lorsqu'un utilisateur demande à l'IA de rédiger un article, celle-ci ne génère pas directement la réponse, elle commence par consulter son workflow afin d'identifier les différentes étapes nécessaires à l'accomplissement de cette mission.

Ensuite le comportement de cet agent IA va décomposer la tâche :

• Le journaliste IA analyse la requête et collecte les premières informations.
• L'Agent vérificateur de sources contrôle ensuite la fiabilité des documents sélectionnés avant de transmettre les résultats.
• Le Rédacteur IA, qui produit une première version du contenu.
• L'Expert SEO IA optimise ensuite l'article pour le référencement naturel,
• Le Vérificateur IA relit le contenu afin de contrôler les faits, la qualité rédactionnelle et la conformité éditoriale.
• Enfin, un Agent d'amélioration continue analyse les performances du contenu publié et met à jour le workflow afin d'améliorer progressivement les productions futures.

Cette approche présente donc plusieurs avantages :

• Des réponses plus pertinentes, car le modèle reçoit uniquement les informations utiles.
• Une consommation de tokens réduite, en évitant d'envoyer des centaines de pages de documentation.
• Des temps de réponse plus rapides, grâce à une recherche ciblée des connaissances.
• Une meilleure maintenabilité, puisqu'une mise à jour du Knowledge Graph est immédiatement exploitée par tous les agents IA qui s'appuient dessus.
• Une meilleure fiabilité, les réponses étant construites à partir de connaissances structurées plutôt que d'informations retrouvées de manière approximative.

Aujourd'hui, il est devenu relativement simple de créer un Knowledge Graph, car les modèles IA comme ChatGPT, Claude ou Gemini sont capables d'analyser une documentation, d'identifier les principales entités connexes, puis de générer automatiquement une première représentation structurée des connaissances.

Pour des projets simples, il suffit souvent de transmettre les documents de votre entreprise à une IA comme ChatGPT et de lui demander de générer un Knowledge Graph, en quelques instants, le modèle est capable d'identifier les principales entités, leurs relations et leurs propriétés afin de produire une première représentation structurée de vos connaissances.

Cependant, pour des projets plus complexes, il existe également des solutions spécialisées permettant de construire, maintenir et interroger des Knowledge Graphs à grande échelle.

Parmi les plus connues figurent MindMup, draw.io (diagrams.net) ou Mermaid, qui permettent de représenter facilement les relations entre les différentes entités.

Quelle que soit la méthode utilisée, la qualité d'un Knowledge Graph dépend avant tout de la qualité des informations qui le composent, plus les données sont structurées, à jour et correctement reliées entre elles, plus les agents IA seront capables de produire des réponses fiables, pertinentes et contextualisées.