Les graphes de connaissances expliqués : leur fonctionnement, des exemples et des cas d'utilisation en IA

Les organisations génèrent plus de données que jamais, mais celles-ci sont souvent stockées dans des systèmes isolés les uns des autres, utilisent une terminologie métier incohérente et ne sont pas clairement attribuées à un responsable. Il est donc difficile de répondre avec certitude même à des questions simples.

Les graphes de connaissances permettent de résoudre ce problème en établissant des liens entre les données, leur signification et leur contexte. Au lieu de considérer les informations comme des enregistrements isolés, un graphe de connaissances met en évidence les relations entre les personnes, les produits, les politiques, les rapports et les ressources de données.

Dans ce guide, nous vous expliquerons ce que sont les graphes de connaissances, comment ils fonctionnent, en quoi ils diffèrent de concepts apparentés tels que les bases de données orientées graphe et les ontologies, et quelle place ils occupent dans l'analyse de données et l'intelligence artificielle modernes.

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

Un graphe de connaissances est une méthode structurée permettant de représenter des informations en reliant des entités, des relations et des attributs. Il montre non seulement ce qu'est une chose, mais aussi comment elle est liée à d'autres choses.

Dans sa forme la plus simple, un graphe de connaissances comprend :

• Entités : Les personnes, lieux, produits, rapports, systèmes ou termes commerciaux décrits.
• Relations : Les liens entre ces entités, tels que « possède », « contient », « utilise » ou « dépend de ».
• Caractéristiques : Informations détaillées sur chaque entité, telles que le nom, le statut, le propriétaire, l'emplacement ou la date de création.

Par exemple :

• Entité : Client
• Lien : placé
• Entité : Commande

Et cette décision peut également :

• Contenir un produit.
• Trouvez votre épanouissement dans un entrepôt.
• Apparaître dans un rapport.
• Être régi par une politique.

Cette structure interconnectée apporte un contexte aux données. C'est ce contexte qui rend les graphes de connaissances utiles pour la découverte, la recherche, l'gouvernance, l'analyse et l'IA.

Un exemple simple de graphe de connaissances

« Imaginez une entreprise », demande utilisateur :

À quelles données d'tableau de bord s sur le chiffre d'affaires dois-je me fier pour les clients actifs de la région du Nord-Est ?

Cela ressemble à une question relative au reporting, mais pour y répondre de manière fiable, il faudra peut-être recouper plusieurs types d'informations :

• Terme commercial client actif.
• Définition officielle de ce terme.
• Table source et champs utilisés pour son calcul.
• tableau de bord qui utilise ces champs.
• Propriétaire responsable du site tableau de bord.
• Politique régissant l'accès.
• État de la qualité des données du pipeline qui l'alimente.

Dans un graphe de connaissances, ces relations pourraient se présenter comme suit :

• Terme commercial : Client actif.
  → Défini par : Norme relative aux indicateurs clients.
  → Source : CRM.Customer_Status.
  → Utilisé dans : Chiffre d'affaires régional tableau de bord.
  → Responsable : Équipe d’analyse des ventes.
  → Alimenté par : Pipeline quotidien des clients.
  → Statut de qualité : A passé les derniers contrôles.

Au lieu d'effectuer des recherches dans différents outils et documents, un « utilisateur » peut suivre le chemin des relations et comprendre :

• Signification de ce terme.
• D'où proviennent ces données ?
• À qui appartient-il ?
• Si ces informations sont à jour et fiables.

C'est là l'intérêt principal d'un graphe de connaissances : il relie les faits d'une manière qui permet aux utilisateurs de les interpréter et d'agir en conséquence.

Comment fonctionne un graphique de connaissances ?

Un graphe de connaissances est constitué en collectant des informations provenant de différentes sources, en identifiant les éléments importants parmi ces informations, en les reliant entre eux et en assurant la pérennité de ces liens.

ingestion de données

Les graphes de connaissances peuvent puiser leurs informations dans de nombreuses sources, notamment :

• Bases de données relationnelles.
• Entrepôts de données en nuage.
• Catalogues de données.
• Glossaires commerciaux.
• Tableaux de bord et rapports.
• Documents et politiques.
• Systèmes de filiation.
• Journaux d'utilisation et d'accès.

Certaines de ces données sont très structurées, tandis que d'autres sont semi-structurées ou non structurées. L'objectif est d'intégrer les informations pertinentes dans un modèle partagé.

Reconnaissance et extraction d'entités

Ensuite, le système identifie les entités pertinentes.

Il peut s'agir notamment de :

• Clients
• Produits
• Contrats
• jeux de données
• Rubriques
• Conditions générales
• Rapports
• Propriétaires des données

Dans les sources non structurées, cela peut impliquer l'extraction d'entités à partir du texte. Dans les systèmes structurés, les entités peuvent déjà être explicites.

Résolution et mise en relation des entités

L'une des étapes les plus importantes consiste à déterminer à quel moment différents enregistrements font référence à la même chose.

Par exemple :

• « Service des recettes du Nord-Est tableau de bord»
• « Rapport sur les recettes de NE »
• « Responsable commercial régional tableau de bord»

Il peut s'agir de trois étiquettes pour un même élément, ou bien d'éléments différents. Un graphe de connaissances efficace doit déterminer ces identités avec la plus grande précision possible et les associer au nœud approprié.

Découverte des relations

Une fois les entités identifiées, le graphe met en évidence les liens qui les unissent.

Exemples :

• Un rapport utilisejeu de données.
• Un terme est défini par une entrée de glossaire.
• Un tableau nourrit une tableau de bord.
• Une politique s'applique à un produit de données.
• Un steward possède d'un domaine.

Ces relations peuvent provenir de l'métadonnées, de la lignée, de la modélisation, de la documentation ou d'intégrations système.

Contexte et sémantique

Un graphe de connaissances gagne en utilité lorsqu'il reflète le sens des choses, et pas seulement les liens qui les relient.

Par exemple, l'expression « client actif » peut avoir différentes significations selon les services. Si le graphe associe ce terme à une définition approuvée, à une logique source, à un responsable et à des utilisations en aval, les utilisateurs peuvent comprendre quelle signification s'applique dans quel contexte.

C'est ce qui distingue un graphe de connaissances d'une simple liste d'enregistrements reliés entre eux.

Inférence et raisonnement

Les graphes de connaissances permettent également d'support r le raisonnement en s'appuyant sur des relations connues.

Par exemple, si un graphe sait que :

• tableau de bord A utilise « jeu de données » B.
• jeu de données B est produit par le pipeline C.
• Le pipeline C a connu une panne ce matin.

le système peut alors en déduire que l'tableau de bord e A est susceptible d'être concernée.

Ce type de raisonnement fondé sur les relations peut aider les équipes à évaluer l'impact, à identifier les dépendances et à répondre plus rapidement à des questions comportant plusieurs étapes.

Graphique de connaissances, ontologie et base de données orientée graphe : comparatif

Ces termes sont liés, mais ils ne sont pas interchangeables.

Graphique de connaissances vs ontologie

Une ontologie définit les concepts et les relations au sein d'un domaine. Elle fait office de modèle ou de vocabulaire.

Un graphique de connaissances utilise ce modèle pour relier des entités et des faits réels.

En termes simples :

• Ontologie : Le plan directeur.
• Graphique de connaissances : Le réseau alimenté.

Par exemple, une ontologie peut définir qu'un « Rapport » peut utiliser un « jeu de données » et appartenir à une « Équipe ». Le graphe de connaissances contient les rapports, les « jeux de données » et les équipes spécifiques.

Graphique de connaissances vs base de données orientée graphe

Une base de données orientée graphe est une technologie de stockage et d'requête conçue pour les données structurées sous forme de graphes.

Un graphe de connaissances est un modèle d'information et une représentation interconnectée du sens.

On peut stocker un graphe de connaissances dans une base de données orientée graphe, mais les deux ne sont pas identiques. L'un correspond au concept et à la structure des connaissances ; l'autre est une mise en œuvre possible.

Graphique de connaissances vs. couche sémantique

Une couche sémantique permet aux utilisateurs métier et aux applications de mieux comprendre les données en leur appliquant des définitions communes et une signification adaptée au contexte métier.

Un graphe de connaissances peut renforcer une couche sémantique en établissant des liens entre les termes, les ressources de données, la traçabilité, les politiques et les responsables. Dans les environnements d'entreprise, ces deux éléments sont souvent complémentaires.

Comparaison rapide

Comment les graphes de connaissances d'entreprise Support gouvernance facilitent la découverte

Dans un contexte d'entreprise, un graphe de connaissances est particulièrement utile lorsqu'il établit un lien entre l'métadonnées s techniques et le contexte métier.

Cela peut notamment inclure l'ajout de liens vers :

• Termes commerciaux et définitions approuvées.
• jeux de données aux propriétaires et aux intendants.
• Rapports vers les systèmes sources.
• Politiques relatives aux actifs gérés.
• Contrôles de qualité des canalisations.
• Lien avec l'utilisation en aval.
• Droits d'accès aux données sensibles.

Cela permet aux utilisateurs de trouver des réponses à des questions pratiques telles que :

• Que signifie cet indicateur ?
• D'où vient ce chiffre ?
• À qui appartient ce jeu de données?
• Quel rapport dois-je utiliser ?
• Quels actifs en aval seront concernés par ce changement ?
• Cet élément d'actif est-il conforme aux règles et à jour ?

Sans ces liens, les utilisateurs peuvent certes trouver des données, mais ils ne sauront peut-être pas s'ils doivent s'y fier ou les réutiliser.

Pourquoi « gouvernance » est-il important ?

Un graphe connexe n'est pas forcément un graphe fiable.

Les relations peuvent devenir obsolètes. Les définitions peuvent varier d'une équipe à l'autre. Les sources de données peuvent changer. Des entités en double peuvent être associées de manière incorrecte. Des autorisations peuvent manquer ou être obsolètes.

C’est pourquoi « gouvernance » revêt une importance particulière. Concrètement, les graphes de connaissances d’entreprise gagnent en efficacité lorsqu’ils intègrent :

• Des propriétaires responsables.
• Sources faisant autorité.
• Définitions versionnées.
• Lignée et provenance.
• Contrôles d'accès.
• Réviser et modifier les processus.
• Indicateurs de qualité.

Ce graphique devrait aider les utilisateurs à comprendre non seulement ce qui est connecté, mais aussi ce qui est validé, à jour et prêt à l'emploi.

Comment sont utilisés les graphes de connaissances ?

Les graphes de connaissances support couvrent un large éventail de cas d'utilisation, mais ils s'avèrent particulièrement utiles lorsque la réponse dépend de relations entre plusieurs systèmes ou domaines.

Rechercher et découverte de données

Les graphes de connaissances améliorent la recherche en reliant les termes à leur contexte.

Un « utilisateur » qui effectue une recherche sur le terme « perte de clientèle » peut trouver :

• La définition approuvée de cette unité de mesure.
• L'jeu de données , fruit d'une sélection rigoureuse, qui se cache derrière tout cela.
• Tableaux de bord associés.
• Le propriétaire de l'unité de mesure.
• Traçabilité vers les systèmes sources.

C'est plus utile qu'une simple correspondance par mot-clé.

Analyse et prise de décision

Les analystes doivent souvent remonter à la source logique et à la signification métier des chiffres.

Un graphe de connaissances peut les aider à comprendre :

• Quelles sources ont été utilisées ?
• Quelles transformations ont été appliquées ?
• S'il existe déjà des indicateurs similaires.
• Quels sont les actifs certifiés ou largement utilisés ?

Recommandations

Les graphes de connaissances peuvent support r les processus de recommandation en établissant des liens entre les utilisateurs, les produits, les comportements, les catégories et les résultats.

Cela permet de répondre plus facilement à des questions telles que :

• Quels sont les produits que l'on achète souvent ensemble ?
• Quels sont les contenus liés à ce sujet ?
• Quels ensembles de données sont souvent utilisés conjointement ?

Assistants virtuels et copilotes d'entreprise

Les graphes de connaissances peuvent aider les assistants à répondre aux questions professionnelles en tenant davantage compte du contexte.

Par exemple, au lieu de donner une réponse générique à la question « Qu'est-ce que la marge brute ? », un système pourrait répondre :

• La définition approuvée.
• La logique de calcul correspondante.
• La source validée par le service financier.
• L'tableau de bord , où il est utilisé.

Santé

Dans le domaine de la santé, les graphes de connaissances permettent d'établir des liens entre les patients, les symptômes, les pathologies, les médicaments, les professionnels de santé et les concepts de recherche.

Cela peut support donner lieu à des cas d'utilisation tels que :

• Mettre en évidence les liens éventuels entre les antécédents des patients.
• Mise en relation des symptômes avec des informations de référence.
• Identifier les interactions ou dépendances potentielles.

Services financiers

Dans le domaine financier, les graphes de connaissances permettent de relier entre eux des comptes, des clients, des transactions, des commerçants, des emplacements, des appareils et des politiques.

Cela peut aider les équipes à :

• Enquêter sur les relations suspectes.
• Identifier des tendances communes à différentes entités.
• Comprendre les chaînes d'exposition et de dépendance.
• Améliorer la compréhension du contexte client.

Graphes de connaissances et IA : dans quels domaines sont-ils utiles ?

Les graphes de connaissances font de plus en plus l'objet de discussions dans le domaine de l'IA, car ils apportent une structure et un contexte que la simple recherche textuelle peut ne pas prendre en compte.

Dans quels domaines peuvent-ils apporter leur aide ?

Les graphes de connaissances sont utiles lorsqu'une question repose sur des relations, par exemple :

• Quels tableaux de bord utilisent un indicateur dont la définition a été modifiée ?
• Quels comptes clients sont associés à cette organisation mère ?
• Quels rapports dépendent des pipelines qui ont connu une panne aujourd'hui ?

Il s'agit de questions à plusieurs étapes. La réponse ne se trouve pas toujours dans un seul document ou une seule ligne. Cela peut nécessiter de parcourir des entités liées entre elles.

Les graphes de connaissances dans les processus de recherche d'informations

Dans le cadre de la génération assistée par recherche, un système extrait souvent des documents ou des extraits pertinents par rapport à une question. Un graphe de connaissances peut compléter ce processus en ajoutant des relations explicites entre les concepts, les ressources et les faits.

Cela peut être utile pour :

• Mettre en relation les synonymes et les termes commerciaux.
• Fonder les réponses sur des définitions reconnues.
• Suivi des systèmes sources et de la traçabilité.
• Passer d'une entité associée à une autre.

Le recours à une approche hybride s'avère souvent judicieux

Toutes les questions ne nécessitent pas un parcours de graphe.

Pour les recherches simples, une recherche dans les documents ou une « requête » directe peut suffire. Pour les requêtes plus complexes, impliquant de nombreuses relations, la recherche basée sur des graphes peut apporter une valeur ajoutée.

Dans de nombreux cas de figure en entreprise, une approche hybride s'avère efficace :

• Utilisez la recherche ou la recherche vectorielle pour trouver du contenu pertinent.
• Utilisez les relations du graphe pour établir des liens entre le contexte, la propriété et la provenance.
• Fournissez vos réponses en incluant des liens vers les sources.

Avertissement important

Un graphe de connaissances ne garantit pas l'exactitude des résultats fournis par l'IA.

Même si le graphe est incomplet, obsolète ou mal géré, il peut tout de même conduire à des réponses trompeuses. La qualité du résultat dépend de la qualité des définitions, des relations, des correspondances avec les sources et des processus de maintenance sous-jacents.

Exemple de graphe de connaissances public

Un exemple bien connu est Wikidata, un graphe de connaissances géré de manière collaborative et utilisé dans l'ensemble des projets Wikimédia.

Il relie des entités telles que des personnes, des lieux, des œuvres et des événements grâce à des propriétés et des relations structurées.

Par exemple :

• Entité : Léonard de Vinci
• Entité associée : Mona Lisa
• Lien : créateur de
• Données biographiques : né en 1452

Des exemples concrets comme celui-ci permettent de mieux comprendre le concept. Dans les environnements d'entreprise, les mêmes principes s'appliquent, mais les entités comprennent souvent des termes métier, des « jeux de données », des pipelines, des politiques et des produits de données.

Comment créer et mettre à jour un graphe de connaissances

Un graphe de connaissances utile commence généralement par définir clairement son champ d'application, et non par tenter de tout modéliser d'un seul coup.

1. Commencez par poser une question pertinente

Choisissez une question d'ordre professionnel qui nécessite un contexte plus large, par exemple :

• Quels rapports utilisent cet indicateur réglementé ?
• Quels sont les actifs en aval concernés par cette modification des données ?
• Où les données sensibles des clients sont-elles utilisées ?

Cela permet de maintenir le projet sur la bonne voie.

2. Identifier les bonnes sources

Sélectionnez les systèmes qui contiennent les informations nécessaires pour répondre à la question, par exemple :

• Définitions du glossaire
• Catalogue métadonnées
• Registres généalogiques
• Tableaux de bord
• Contrôles de qualité
• Politiques d'accès

3. Définir le modèle

Déterminez quelles entités et quelles relations sont importantes.

Par exemple :

• jeu de données
• Rapport
• Terme commercial
• Propriétaire
• Domaine
• Politique
• Pipeline

Et des relations telles que :

• Utilisations
• Propriété de
• Défini par
• Régie par
• Flux
• Cela dépend de

4. Résolvez les identités avec soin

Veillez à ce qu'une même entité ne soit pas répertoriée plusieurs fois sous des noms différents, et à ce que des entités portant des noms similaires ne soient pas fusionnées par erreur.

5. Valider auprès d'experts du domaine

Les experts métier et techniques devraient passer en revue les définitions et les relations clés, en particulier celles utilisées dans le cadre des processus de reporting réglementés ou des flux de travail liés à l'IA.

6. Ajouter l'gouvernance et la maintenance

Désigner les responsables, suivre la traçabilité, contrôler la fraîcheur et définir les modalités de révision et de publication des modifications.

7. Évaluer l'utilité

Parmi les mesures utiles, on peut citer :

• Il est temps de trouver un partenaire de confiance.
• Il est temps de trouver un propriétaire.
• Nombre de doublons non résolus.
• La fraîcheur des relations essentielles.
• Capacité à suivre les répercussions en aval.

Limites et cas où une approche plus simple suffit

Les graphes de connaissances sont utiles, mais ils ne sont pas toujours indispensables.

Limites courantes

Parmi les défis, on peut citer :

• Source incomplète : métadonnées.
• Correspondance d'entités ambiguës.
• Des relations dépassées.
• Des définitions commerciales incohérentes.
• Travaux de maintenance en cours.
• Une complexité accrue de la modélisation.

Quand un graphe de connaissances peut s'avérer inutile

Une approche plus simple peut suffire lorsque :

• Il est possible de répondre à cette question à partir d'un seul système.
• Les relations entre les entités n'ont pas d'importance.
• Le domaine est petit et stable.
• Une recherche directe d'requête s ou de documents permet de résoudre efficacement le problème.

Un test d'ajustement pratique

Un graphe de connaissances s'avère souvent particulièrement adapté lorsque vous devez répondre à des questions qui nécessitent :

• Plusieurs sources.
• Définitions communes.
• Parcours des relations.
• Propriété et contexte de l'gouvernance .
• Provenance explicable.

Si ces besoins ne se font pas sentir, une solution plus légère pourrait s'avérer plus pratique.

Améliorez les relations entre les données et leur exploration grâce à Actian

Les graphes de connaissances peuvent aider les organisations à passer de ressources de données isolées à un contexte connecté et exploitable. Mais la valeur pour l'entreprise ne se limite pas à la simple mise en relation d'enregistrements. Elle réside dans le fait de relier les données à des définitions, à leur propriété, à leur traçabilité, aux politiques et à leur utilisation.

La plateforme Actian Data Intelligence aide les organisations à améliorer l'découverte de données ité et la compréhension des données en reliant l'métadonnées métier et technique grâce au contexte sémantique, à la recherche et à l'exploration tenant compte des relations. Cela permet aux utilisateurs de données de trouver plus rapidement les ressources pertinentes et de comprendre comment celles-ci s'articulent avec le sens métier, l'gouvernance ité et les utilisations en aval.

Pour en savoir plus, découvrez la plateforme Actian Data Intelligence ou demandez une démonstration.

À propos de l'auteur

À propos de Actian Corporation

Actian permet aux entreprises de gérer et de gouverner leurs données en toute confiance, quelle que soit leur ampleur. Les organisations font confiance aux solutions gestion des données d'intelligence des données d'Actian pour rationaliser leurs environnements de données complexes et accélérer la mise à disposition de données prêtes pour l'IA. Conçues pour être flexibles, les solutions Actian s'intègrent de manière transparente et fonctionnent de manière fiable dans les environnements sur site, dans le cloud et hybrides. Pour en savoir plus sur Actian, la division données et IA de HCL Software, rendez-vous sur actian.com.