Knowledge Graph

Un knowledge graph est une représentation structurée d'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 knowledge graph organise l'information sous forme de réseau de nœuds (représentant des objets, des personnes ou des concepts) et d'arêtes (représentant les connexions ou interactions entre ces nœuds). Cette structure imite la façon dont les humains organisent l'information, 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) : Ce sont les points de données distincts, tels que « Londres », « Python » ou « Ultralytics YOLO26 ». Dans les tâches de vision par ordinateur, ceux-ci peuvent représenter des objets détectés comme une « Voiture » ou un « Piéton ».
• Arêtes (Relations) : Ces lignes distinctes connectent les nœuds et définissent comment ils sont liés. Par exemple, une arête pourrait étiqueter 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'objets.

Cette structure en forme de toile permet aux systèmes d'effectuer une recherche sémantique, où le moteur comprend l'intention de l'utilisateur plutôt que de simplement faire correspondre des mots-clés. Par exemple, 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 knowledge graphs sont de plus en plus essentiels pour améliorer les modèles d'apprentissage automatique (ML). Bien que les modèles d'apprentissage profond excellent dans la reconnaissance de motifs statistiques, ils manquent souvent de fondement factuel. L'intégration d'un knowledge graph 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) avec un knowledge graph, les agents IA peuvent interroger une source de vérité vérifiée avant de générer une réponse. Cela réduit considérablement les hallucinations dans les LLMs et améliore la précision factuelle pour les applications d'entreprise.
• Systèmes de recommandation : Dans l'IA dans le commerce de détail, les graphes cartographient des 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", permettant 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 knowledge graphs en identifiant des entités physiques dans le monde réel. L'extrait Python suivant montre comment utiliser le modèle Ultralytics YOLO26 pour détecter des objets dans une image. Ces classes détectées peuvent agir comme des nœuds, qui peuvent ensuite être liés 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 en santé : Les chercheurs en IA dans la santé utilisent des knowledge graphs 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 des cibles médicamenteuses potentielles et des effets secondaires, accélérant ainsi le développement de nouveaux traitements.

2. Jumeaux numériques de la chaîne d'approvisionnement : Les entreprises de logistique utilisent des knowledge graphs 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 du Big Data, permettant aux gestionnaires de prédire les retards et d'optimiser les itinéraires de manière dynamique.

Graphes de connaissances vs 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 liées par des clés étrangères, ce qui est efficace pour les données transactionnelles structurées (comme les registres bancaires). Cependant, interroger des relations complexes (par exemple, « Trouver les amis d'amis qui aiment la science-fiction ») nécessite des opérations de « jointure » coûteuses.

En revanche, un knowledge graph (souvent stocké dans une base de données de graphes) traite la relation comme un citoyen de première classe. La traversée des connexions est instantanée, ce qui rend les graphes supérieurs pour les tâches impliquant des données hautement interconnectées, telles que les réseaux de détection des fraudes ou l'analyse des réseaux sociaux. Alors que les SGBDR excellent dans le stockage et la récupération d'enregistrements spécifiques, les knowledge graphs excellent dans la découverte de motifs et d'informations cachées au sein des connexions elles-mêmes.

Perspectives futures avec l'IA multi-modale#

L'avenir des knowledge graphs réside dans l'apprentissage multimodal. À mesure que des modèles tels que Ultralytics YOLO26 progressent dans la détection d'objets et l'estimation de pose, ils injecteront automatiquement un contexte visuel dans les graphiques. Cela crée des systèmes qui non seulement "lisent" du texte, mais "voient" le monde, liant des concepts visuels à des définitions linguistiques. En utilisant la plateforme Ultralytics, les développeurs peuvent entraîner ces modèles de vision spécialisés à reconnaître des entités personnalisées, construisant ainsi efficacement les organes sensoriels pour la prochaine génération de systèmes d'IA conscients du contexte.