Knowledge Graph

Un graphe de connaissances est une représentation structurée des entités du monde réel et des relations entre elles. 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 forme de 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 façon dont les humains organisent les informations, permettant aux systèmes d’intelligence artificielle (AI) 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) : Ce sont les points de données distincts, tels que « Londres », « Python » ou « Ultralytics YOLO26 ». Dans les tâches de vision par ordinateur, ils peuvent représenter des objets détectés, comme une « voiture » ou un « piéton ».
• Arêtes (relations) : Ces lignes distinctes relient les nœuds et définissent leurs relations. Par exemple, une arête peut qualifier la relation entre « Londres » et « Royaume-Uni » de « is_capital_of ».
• 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 réseau permet aux systèmes d’effectuer une recherche sémantique, où le moteur comprend l’intention de l’utilisateur au lieu de se contenter de faire correspondre des mots-clés. Par exemple, savoir que « Jaguar » désigne à la fois un animal et une marque automobile permet au système de différencier les résultats selon le contexte.

Intégration au machine learning#

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

• Génération augmentée par récupération (RAG) : Les modèles génératifs peuvent parfois produire des informations plausibles, mais incorrectes. En ancrant les grands modèles de langage (LLMs) dans un graphe de connaissances, les agents d’IA peuvent interroger une source de vérité vérifiée avant de générer une réponse. Cela réduit considérablement les hallucinations des LLMs et améliore l’exactitude factuelle pour les applications d’entreprise.
• Systèmes de recommandation : Dans le domaine de l’IA dans le commerce de détail, les graphes cartographient les relations complexes entre les utilisateurs et les produits. Si un client achète un appareil photo, le graphe comprend le lien fonctionnel avec les « cartes SD » ou les « trépieds », ce qui permet de formuler des suggestions plus pertinentes qu’avec 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, car ils identifient les entités physiques du monde réel. L’extrait Python suivant montre comment utiliser le modèle Ultralytics YOLO26 pour détecter des objets dans une image. Ces classes détectées peuvent servir de nœuds, qui peuvent ensuite être reliés dans une base de données de graphes (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 secteur de la santé : Les chercheurs en IA dans le domaine de la santé utilisent les graphes de connaissances pour modéliser les interactions biologiques. En reliant des entités telles que des gènes, des protéines et des composés chimiques provenant de bases de données comme UniProt, les algorithmes peuvent prédire les cibles médicamenteuses et les effets secondaires potentiels, accélérant ainsi le développement de nouveaux traitements.

2. Jumeaux numériques de la chaîne d’approvisionnement : Les entreprises de logistique utilisent les graphes de connaissances pour créer un « jumeau numérique » de leurs activités. 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 données massives, permettant aux responsables de prévoir les retards et d’optimiser dynamiquement les itinéraires.

Graphes de connaissances et bases de données relationnelles#

Il est important de distinguer un graphe de connaissances d’une base de données relationnelle (RDBMS) traditionnelle. 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.

À l’inverse, un graphe de connaissances (souvent stocké dans une base de données de graphes) considère la relation comme un élément de première classe. Le parcours des connexions est instantané, ce qui rend les graphes supérieurs pour les tâches impliquant des données fortement interconnectées, comme la détection de réseaux de fraude ou l’analyse des réseaux sociaux. Alors que les RDBMS excellent dans le stockage et la récupération d’enregistrements spécifiques, les graphes de connaissances excellent dans la découverte de motifs 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 comme Ultralytics YOLO26 continuent de progresser dans la détection d’objets et l’estimation de pose, ils intégreront automatiquement le contexte visuel aux graphes. Cela crée des systèmes qui ne se contentent pas de « lire » le texte, mais qui « voient » le monde, en reliant les concepts visuels aux définitions linguistiques. Grâce à l’Ultralytics Platform, les développeurs peuvent entraîner ces modèles de vision spécialisés à reconnaître des entités personnalisées, créant ainsi les organes sensoriels de la prochaine génération de systèmes d’IA capables d’exploiter les connaissances.