Graphe de connaissances

Un graphe de connaissances est une représentation structurée des entités du monde réel et des relations qui les unissent. Contrairement à une base de données standard qui stocke les données dans des lignes et des colonnes rigides, un graphe de connaissances organise les informations sous la forme d'un réseau de nœuds (représentant des objets, des personnes ou des concepts) et d'arêtes (représentant les connexions ou les interactions entre ces nœuds). Cette structure imite la manière dont les humains organisent les informations, permettant aux systèmes d'intelligence artificielle (IA) de comprendre le contexte, de déduire de nouveaux faits et de raisonner sur les données d'une manière plus sémantique et interconnectée.

Comprendre la structure

Au cœur d'un graphe de connaissances se trouvent trois composants principaux qui forment des « triplets » (sujet-prédicat-objet) :

• Nœuds (entités) : il s'agit de points de données distincts, tels que « Londres », «Python » ou «Ultralytics ». Dans les tâches de vision par ordinateur, ceux-ci peuvent représenter des objets détectés tels qu'une « voiture » ou un « piéton ».
• Arêtes (relations) : ces lignes distinctes relient les nœuds et définissent la nature de leur relation. Par exemple, une arête peut désigner la relation entre « Londres » et « Royaume-Uni » comme « est_capitale_de ».
• Attributs (propriétés) : détails supplémentaires décrivant un nœud, tels que la population d'une ville ou le score de confiance d'une détection d'objet.

Cette structure en forme de toile permet aux systèmes d'effectuer des recherches sémantiques, où le moteur comprend l' intention de l'utilisateur plutôt que de se contenter de faire correspondre des mots-clés. Par exemple, le fait de savoir que « Jaguar » est à la fois un animal et une marque de voiture permet au système de différencier les résultats en fonction du contexte.

Intégration avec l'apprentissage automatique

Les graphes de connaissances sont de plus en plus essentiels pour améliorer les modèles d'apprentissage automatique (ML). Si les modèles d'apprentissage profond excellent dans la reconnaissance statistique des modèles, ils manquent souvent de fondement factuel. L'intégration d'un graphe de connaissances permet aux modèles d'accéder à une « vision du monde » vérifiée.

• Génération augmentée par la récupération (RAG):les modèles génératifs peuvent parfois produire des informations plausibles mais incorrectes. En fondant les grands modèles linguistiques (LLM) sur un graphique de connaissances, les agents IA peuvent interroger une source vérifiée avant de générer une réponse. Cela réduit considérablement les hallucinations dans les LLM et améliore la précision factuelle pour les applications d'entreprise.
• Systèmes de recommandation:dans le domaine de l'IA appliquée au commerce de détail, des graphiques cartographient les relations complexes entre les utilisateurs et les produits. Si un client achète un appareil photo, le graphique comprend le lien fonctionnel avec les « cartes SD » ou les « trépieds », ce qui permet de faire des suggestions plus intelligentes qu'un simple filtrage collaboratif.

Exemple de code : Extraction d'entités pour un graphe

Les modèles de vision par ordinateur constituent d'excellents points d'entrée pour alimenter les graphes de connaissances en identifiant des entités physiques dans le monde réel. Python suivant montre comment utiliser le modèle Ultralytics pour detect dans une image. Ces classes détectées peuvent servir de nœuds, qui peuvent ensuite être reliés dans une base de données orientée graphe (comme Neo4j ou Amazon Neptune).

from ultralytics import YOLO

# Load the latest YOLO26 model (released Jan 2026)
model = YOLO("yolo26n.pt")

# Run inference on an image to find entities
results = model("https://ultralytics.com/images/bus.jpg")

# Extract unique detected object names to serve as graph nodes
# e.g., {'bus', 'person'}
detected_entities = {results[0].names[int(c)] for c in results[0].boxes.cls}

print(f"Graph Nodes: {detected_entities}")

Applications concrètes

1. Découverte de médicaments dans le domaine de la santé : les chercheurs en IA dans le domaine de la santé utilisent des graphes de connaissances pour modéliser les interactions biologiques. En reliant des entités telles que les gènes, les protéines et les composés chimiques provenant de bases de données comme UniProt, les algorithmes peuvent prédire les cibles potentielles des médicaments et leurs effets secondaires, accélérant ainsi le développement de nouveaux traitements.
2. Jumeaux numériques de la chaîne d'approvisionnement : les entreprises de logistique utilisent des graphes de connaissances pour créer un « jumeau numérique » de leurs opérations. Les nœuds représentent les fournisseurs, les entrepôts et les stocks, tandis que les arêtes représentent les itinéraires d'expédition et les dépendances. Cette structure facilite l' analyse des mégadonnées, permettant aux gestionnaires de prévoir les retards et d'optimiser les itinéraires de manière dynamique.

Graphiques de connaissances vs bases de données relationnelles

Il est important de distinguer un graphe de connaissances d'une base de données relationnelle traditionnelle (SGBDR). Une base de données relationnelle stocke les données dans des tables rigides reliées par des clés étrangères, ce qui est efficace pour les données structurées et transactionnelles (comme les registres bancaires). Cependant, l'interrogation de relations complexes (par exemple, « Trouver les amis d'amis qui aiment la science-fiction ») nécessite des opérations de « jointure » coûteuses.

En revanche, un graphe de connaissances (souvent stocké dans une base de données orientée graphe) traite la relation comme un élément à part entière. Le parcours des connexions est instantané, ce qui rend les graphes supérieurs pour les tâches impliquant des données hautement interconnectées, telles que la détection des réseaux de fraude ou l'analyse des réseaux sociaux. Alors que les SGBDR excellent dans le stockage et la récupération d'enregistrements spécifiques, les graphes de connaissances excellent dans la découverte de modèles et d'informations cachées au sein des connexions elles-mêmes.

Perspectives d'avenir avec l'IA multimodale

L'avenir des graphes de connaissances réside dans l' apprentissage multimodal. À mesure que des modèles tels que Ultralytics continuent de progresser dans la détection d'objets et l'estimation de poses, ils alimenteront automatiquement les graphes en contexte visuel. Cela permet de créer des systèmes qui non seulement « lisent » le texte, mais « voient » également le monde, en reliant les concepts visuels aux définitions linguistiques. À l'aide de Ultralytics , les développeurs peuvent former ces modèles de vision spécialisés à reconnaître des entités personnalisées, créant ainsi efficacement les organes sensoriels de la prochaine génération de systèmes d'IA sensibles aux connaissances.