Knowledge Graph

Un graphe de connaissances est une représentation structurée d'entités du monde réel et des relations entre elles. Contrairement à une base de données standard qui stocke les informations dans des lignes et des colonnes rigides, un graphe de connaissances organise les informations comme 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 de manière plus sémantique et interconnectée.

Link to this sectionComprendre 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'objet.

Cette structure en toile d'araignée 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.

Link to this sectionIntégration avec l'apprentissage automatique#

Les graphes de connaissances sont de plus en plus vitaux pour améliorer les modèles d'apprentissage automatique (ML). Bien que les modèles d'apprentissage profond excellent dans la reconnaissance statistique de motifs, 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 ancrant les Grands modèles de langage (LLM) avec un graphe de connaissances, les agents IA peuvent interroger une source de vérité vérifiée avant de générer une réponse. Cela réduit considérablement les hallucinations dans les LLM et améliore l'exactitude factuelle pour les applications d'entreprise.
• Systèmes de recommandation : Dans 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 », permettant des suggestions plus intelligentes qu'un simple filtrage collaboratif.

Link to this sectionExemple de code : Extraction d'entités pour un graphe#

Les modèles de vision par ordinateur agissent comme d'excellents points d'entrée pour peupler les graphes de connaissances en identifiant des entités physiques dans le monde réel. L'extrait Python suivant démontre 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}")

Link to this sectionApplications concrètes#

1. Découverte de médicaments dans la santé : Les chercheurs en IA dans la santé utilisent des graphes de connaissances pour modéliser les interactions biologiques. En liant 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 le développement de nouveaux traitements.

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

Link to this sectionGraphes 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 graphe de connaissances (souvent stocké dans une Base de données de graphes) traite la relation comme une entité de premier plan. Parcourir les connexions est instantané, ce qui rend les graphes supérieurs pour les tâches impliquant des données hautement interconnectées, comme les réseaux de détection de fraude ou l'analyse des réseaux sociaux. Alors que le RDBMS excelle dans le stockage et la récupération d'enregistrements spécifiques, les graphes de connaissances excellent dans la découverte de modèles et d'aperçus cachés au sein des connexions elles-mêmes.

Link to this sectionPerspectives futures avec l'IA multi-modale#

L'avenir des graphes de connaissances réside dans l'apprentissage multi-modal. À mesure que des modèles comme Ultralytics YOLO26 continuent de progresser dans la détection d'objets et l'estimation de pose, ils alimenteront automatiquement les graphes en contexte visuel. Cela crée des systèmes qui non seulement « lisent » du texte mais « voient » le monde, reliant les concepts visuels aux 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 de la prochaine génération de systèmes d'IA conscients des connaissances.