Un graphe de connaissances, également appelé réseau sémantique, représente un réseau d'entités du monde réel, c'est-à-dire des objets, des événements, des situations ou des concepts, et illustre la relation entre ces entités. Ces informations sont généralement stockées dans une base de données orientée graphes et visualisées sous la forme d'une structure graphique, d'où le terme de « graphe de connaissances ».
Un graphe de connaissances se compose de trois éléments principaux : les nœuds (ou sommets), les arêtes (ou arcs) et les étiquettes. Tout objet, lieu ou personne peut être un nœud. Une arête définit la relation entre les nœuds. Par exemple, un nœud peut être un client, comme IBM, et une agence comme Ogilvy. Une arête permet de classer la relation comme une relation client entre IBM et Ogilvy.
A représente le sujet, B représente le prédicat et C représente l'objet.
Il convient également de noter que les définitions des graphes de connaissances varient et qu'il existe une étude (PDF, 183 Ko) (lien externe au site ibm.com) qui suggère qu'un graphe de connaissances ne diffère pas d'une base de connaissances ou d'une ontologie. Elle soutient plutôt que le terme a été popularisé par le "Knowledge Graph" de Google en 2012.
Les ontologies sont fréquemment mentionnées dans le contexte des graphes de connaissances, mais là encore, la différence avec les graphes de connaissances fait encore débat. En définitive, les ontologies servent à créer une représentation formelle des entités dans le graphe. Elles sont généralement basées sur une taxonomie, mais comme elles peuvent contenir plusieurs taxonomies, elles conservent leur propre définition distincte. Étant donné que les graphes de connaissances et les ontologies sont représentés de manière similaire, c'est-à-dire par des nœuds et des arêtes, et qu'ils sont basés sur les triplets RDF (Resource Description Framework), ils ont tendance à se ressembler dans les visualisations.
Un exemple d'ontologie peut être l'examen d'un lieu particulier, comme le Madison Square Garden. Une ontologie distingue les événements qui se déroulent à cet endroit en fonction d'une variable telle que l'heure. Une équipe sportive, comme les New York Rangers, a une série de matchs au cours d'une saison qui se déroulent dans ce stade. Ce sont tous des matchs de hockey, et ils sont tous organisés dans le même stade. Cependant, chaque événement se distingue par sa date et son heure.
Le Web Ontology Language (OWL) est un exemple d'ontologie largement adoptée, soutenue par le World Wide Web Consortium (W3C), une communauté internationale qui défend des normes ouvertes pour la longévité de l'Internet. En définitive, cette organisation des connaissances s'appuie sur une infrastructure technologique telle que des bases de données, des API et des algorithmes d'apprentissage automatique, dont le rôle est d'aider les personnes et les services à accéder aux informations et à les traiter plus efficacement.
Les graphes de connaissances sont généralement constitués d'ensembles de données provenant de diverses sources, dont la structure est souvent différente. Les schémas, les identités et le contexte coopèrent pour fournir une structure aux différentes données. Les schémas fournissent la structure du graphe de connaissances, les identités classent correctement les nœuds sous-jacents et le contexte détermine le cadre dans lequel ces connaissances existent. Ces composants permettent de distinguer les mots ayant plusieurs significations. Cela permet à des produits, comme l'algorithme du moteur de recherche de Google, de déterminer la différence entre Apple (la marque) et "apple", le mot pour pomme en anglais.
Les graphes de connaissances, qui utilisent l'apprentissage automatique, font appel au traitement automatique du langage naturel (NLP) pour construire une vue complète des nœuds, des arêtes et des étiquettes via un processus appelé enrichissement sémantique. Lorsque les données sont ingérées, ce processus permet aux graphes de connaissances d'identifier les objets individuels et de comprendre les relations entre les différents objets. Ces connaissances sont ensuite comparées et intégrées à d'autres ensembles de données pertinents et de nature similaire. Lorsqu'un graphe de connaissances est complet, il permet aux systèmes de réponse aux questions et de recherche de récupérer et de réutiliser des réponses complètes à des requêtes données. Si les produits grand public démontrent leur capacité à faire gagner du temps, les mêmes systèmes peuvent également être appliqués dans un contexte professionnel, en éliminant le travail manuel de collecte et d'intégration des données pour faciliter la prise de décision.
Les projets d'intégration des données utilisant des graphes de connaissances peuvent également favoriser la création de nouvelles connaissances, en établissant des connexions entre des points de données qui n'avaient peut-être pas été détectées auparavant.
Il existe un certain nombre de graphes de connaissances populaires, destinés aux consommateurs, qui définissent les attentes des utilisateurs vis-à-vis des systèmes de recherche dans les entreprises. Voici quelques exemples de ces graphes de connaissances :
Cependant, les graphes de connaissances ont également des applications dans d'autres secteurs, par exemple :
IBM Cloud with Red Hat offre une sécurité, une évolutivité d'entreprise et une innovation ouverte de pointe pour libérer tout le potentiel du cloud et de l'IA.
Injectez l'IA dans vos applications avec Watson AI pour faire des prévisions plus précises.
Créez, exécutez et gérez des modèles d'IA. Préparez les données et construisez des modèles dans n'importe quel cloud à l'aide d'un code source ouvert ou de la modélisation visuelle. Prévoyez et optimisez vos résultats.