Qu’est-ce qu’un graphe de connaissances ?

Un graphe de connaissances inclut trois composants principaux : des nœuds, des arcs et des étiquettes. N’importe quel objet, n’importe quel lieu ou n’importe quelle personne peut être un nœud. Un arc définit la relation entre les nœuds. Par exemple, un nœud peut être un client, comme IBM, et une agence, comme Ogilvy. Un arc catégoriserait la relation comme une relation client entre IBM et Ogilvy.

A représente le sujet, B représente le prédicat, C représente l’objet

Il convient également de noter que les définitions des graphes de connaissances varient et que des recherches suggèrent qu’un graphe de connaissances n’est pas différent d’une base de connaissances ou d’une ontologie. Elles affirment plutôt que le terme a été popularisé par le Knowledge Graph de Google en 2012.

Les ontologies sont également fréquemment mentionnées dans le contexte des graphes de connaissances, mais encore une fois, la réelle différence entre ces deux concepts fait encore débat. En fin de compte, les ontologies servent à créer une représentation formelle des entités du graphe. Elles sont généralement basées sur une taxonomie, mais comme elles peuvent en contenir plusieurs, elles conservent leur propre définition distincte. Les graphes de connaissances et les ontologies étant représentés de manière similaire, c’est-à-dire par des nœuds et des arcs, et étant basés sur les triplets RDF (Resource Description Framework), ils ont tendance à se ressembler dans les visualisations.

Nous pourrions citer comme exemple d’ontologie un lieu particulier, comme le Madison Square Garden. Une ontologie fait la distinction entre les événements qui ont lieu à cet endroit en utilisant une variable comme la date et l’heure. Une équipe sportive, comme les New York Rangers, joue une série de matchs qui se dérouleront dans cette salle au cours de la saison. Ce sont tous des matchs de hockey sur glace, et ils se déroulent tous au même endroit. Cependant, chaque événement se distingue par sa date et son heure.

Le Web Ontology Language (OWL) est un exemple d’ontologie largement adoptée. Elle est soutenue par le World Wide Web Consortium (W3C), une communauté internationale qui défend les normes ouvertes pour la longévité d’Internet. En fin de compte, cette organisation des connaissances est soutenue par des infrastructures technologiques telles que les bases de données, les API et les algorithmes de machine learning, qui permettent aux utilisateurs et aux services d’accéder aux informations et de les traiter plus efficacement.

Les graphes de connaissances sont généralement composés de jeux de données provenant de diverses sources, dont la structure diffère souvent. Ensemble, les schémas, les identités et le contexte servent de structure à ces données diversifiées. Les schémas fournissent le cadre du graphe de connaissances, les identités classent les nœuds sous-jacents de manière appropriée, et le contexte détermine l’environnement dans lequel ces connaissances existent. Ces composants permettent de distinguer les mots ayant plusieurs significations. Cela permet aux produits, comme l’algorithme du moteur de recherche de Google, de déterminer la différence entre Apple, la marque, et apple, la pomme en anglais.

Les graphes de connaissances, qui sont alimentés par le machine learning, utilisent le traitement automatique du langage naturel (NLP) pour créer une vue complète des nœuds, des arcs et des étiquettes grâce à un processus appelé enrichissement sémantique. Lorsque les données sont ingérées, ce processus permet d’utiliser des graphes de connaissances pour identifier des objets individuels et comprendre les relations entre ces différents objets. Ces connaissances pratiques sont ensuite comparées et intégrées à d’autres jeux de données pertinents et de nature similaire. Une fois le graphe de connaissances terminé, il permet aux systèmes de réponse aux questions et de recherche de récupérer et de réutiliser des réponses complètes à des questions données. Les graphes ont fait la preuve des gains de temps qu’ils représentent dans les produits destinés aux consommateurs, et ces mêmes systèmes peuvent être appliqués dans les environnements professionnels, éliminant ainsi le travail manuel lié à la collecte et à l’intégration des données, pour une prise de décision métier améliorée.

Les efforts réalisés sur les graphes de connaissances en termes d’intégration des données peuvent également favoriser la création de nouvelles connaissances, avec l’établissement de connexions potentiellement inédites entre les points de données.

Un certain nombre de graphes de connaissances populaires orientés consommateurs définissent déjà les attentes des utilisateurs concernant les systèmes de recherche d’entreprise. En voici quelques-uns :

• DBPedia et Wikidata sont deux graphes de connaissances différents qui contiennent les données de Wikipedia.org. DBPedia est composé des données provenant des infobox de Wikipédia, tandis que Wikidata contient les objets secondaires et tertiaires. Les deux graphes publient généralement dans un format RDF.
• Google Knowledge Graph est représenté dans les pages de résultats du moteur de recherche (SERP) Google, et présente des informations basées sur les recherches des internautes. Ce graphe de connaissances comprend plus de 500 millions d’objets, sourçant des données provenant de Freebase, de Wikipédia, du CIA World Factbook, etc.

Mais les graphes de connaissances ont également des applications dans d’autres secteurs, notamment :

• Vente au détail : Les graphes de connaissances sont utilisés pour les stratégies de vente incitative et de vente croisée, recommandant les produits en fonction du comportement d’achat individuel et des tendances d’achat populaires dans tous les groupes démographiques.
• Divertissement : Les graphes de connaissances sont également utilisés dans les moteurs de recommandation basés sur l’intelligence artificielle (IA) des plateformes de contenu comme Netflix, dans le référencement ou pour les réseaux sociaux. Sur la base des clics et d’autres comportements d’engagement en ligne, ces fournisseurs recommandent de nouveaux contenus à lire ou à regarder aux utilisateurs.
• Finance : Cette technologie a également été utilisée pour les initiatives KYC (connaissance du client) et de lutte contre le blanchiment d’argent dans le secteur financier. Elle contribue à la prévention des crimes financiers et aux enquêtes associées, permettant aux institutions bancaires de comprendre les flux d’argent de leur clientèle et d’identifier les non-conformités.
• Soins de santé : Les graphes de connaissances profitent également au secteur de la santé, organisant et catégorisant les relations dans les processus de recherche médicale. Ces informations aident les prestataires de soins en validant les diagnostics et en identifiant les plans de traitement en fonction des besoins individuels.