Un graphe de connaissances est une représentation structurée de l'information dans laquelle des entités du monde réel, telles que des personnes, des lieux, des organisations ou des concepts, sont stockées sous forme de nœuds et les relations entre elles sous forme d'arêtes étiquetées, formant un réseau pouvant être interrogé, parcouru et soumis à un raisonnement. Les graphes de connaissances s'inscrivent dans la tradition plus large de la représentation de l'IA symbolique et sont devenus une infrastructure centrale pour la recherche, le question-réponse et l'ancrage des systèmes modernes d'IA générative.
Structure
Un graphe de connaissances encode généralement des faits sous forme de triplets sujet, prédicat et objet, par exemple « Anthropic, fondée en, 2021 », en suivant souvent des schémas formels ou des ontologies qui définissent les types d'entités et de relations autorisés. Cette structure permet aux systèmes d'effectuer des requêtes logiques, comme trouver toutes les organisations fondées une année donnée, ce qui serait difficile à extraire de manière fiable à partir de texte non structuré seul, et de vérifier la cohérence interne par rapport à des règles définies.
Histoire
Les racines conceptuelles des graphes de connaissances résident dans les réseaux sémantiques développés au sein de la recherche en IA symbolique à partir des années 1960, ainsi que dans des efforts ultérieurs tels que Cyc, un projet lancé en 1984 pour encoder manuellement des millions de faits de sens commun, et l'initiative du Web sémantique défendue par Tim Berners-Lee à partir du début des années 2000, qui proposait des formats standardisés pour les données web lisibles par machine. Le terme « graphe de connaissances » lui-même est entré dans l'usage courant après que Google a lancé son produit Knowledge Graph en 2012, s'appuyant sur la base de données Freebase acquise et d'autres sources pour alimenter les panneaux d'information qui accompagnent de nombreux résultats de recherche web.
Graphe de connaissances de Google et successeurs
Après l'adoption du terme par Google, les grandes entreprises technologiques ont construit leurs propres graphes de connaissances à grande échelle, notamment Satori de Microsoft et le graphe d'entités de Bing, le graphe d'entités de Facebook et le graphe de produits d'Amazon, chacun étant adapté pour alimenter des produits de recherche, de recommandation ou d'assistant virtuel. Des alternatives ouvertes et maintenues par la communauté incluent Wikidata, lancé en 2012 comme compagnon structuré de Wikipédia, qui est devenu une ressource de graphe de connaissances gratuite largement utilisée pour la recherche et les applications.
Utilisation dans les systèmes d'IA
Les graphes de connaissances ont pris une importance renouvelée à l'ère des systèmes de grands modèles de langage, qui sont sujets à l'hallucination, générant avec assurance des déclarations plausibles mais fausses. Associer un modèle de langage à un graphe de connaissances fournit un mécanisme pour ancrer les sorties dans des faits structurés vérifiés, soit en récupérant des sous-graphes pertinents à inclure dans une invite, une variante de la génération augmentée par récupération, soit en validant les affirmations générées par rapport au graphe après coup. Les graphes de connaissances sont également utilisés dans les systèmes de recherche sémantique pour désambiguïser les requêtes et les entités, complétant les méthodes de récupération basées sur les plongements denses stockées dans une base de données vectorielle, et dans les contextes d'entreprise pour donner aux systèmes d'IA accès à des connaissances organisationnelles structurées et propriétaires qui ne faisaient jamais partie des données d'entraînement d'un modèle.
Limites
Construire et maintenir un graphe de connaissances demande beaucoup de travail : extraire des faits structurés précis à partir de sources non structurées nécessite une curation humaine substantielle ou une extraction automatisée sujette aux erreurs, les schémas peuvent devenir obsolètes à mesure que les domaines évoluent, et la couverture est inévitablement incomplète en dehors des domaines bien documentés. Ces limites ont motivé des approches hybrides qui combinent la précision et l'auditabilité des graphes de connaissances symboliques avec la flexibilité et la large couverture des méthodes neuronales, faisant écho à une tension de longue date en IA entre les représentations explicites et structurées issues des systèmes experts et l'apprentissage statistique de motifs à partir du traitement du langage naturel et de l'apprentissage automatique plus largement.