Accueil › Glossaire › Knowledge Graph

Knowledge Graph (Graphe de connaissances)

Un knowledge graph est une base de connaissances structurée sous forme de graphe, composée d’entités (nœuds) et de relations (arêtes) qui décrivent les objets, concepts et événements du monde réel et leurs interconnexions, permettant aux machines de raisonner sur le sens et le contexte de l’information.

Le principe : passer des chaînes aux choses

Quand Google a lancé son Knowledge Graph en 2012, le slogan interne était « from strings to things » (des chaînes de caractères aux objets du monde réel). C’est l’idée fondamentale : au lieu de traiter l’information comme du texte brut (des « chaînes »), on la structure en entités identifiées (des « choses ») reliées par des relations typées.

Quand vous cherchez « Tour Eiffel » sur Google, le panneau de connaissances qui apparaît à droite (hauteur, architecte, année de construction, localisation) provient du Knowledge Graph de Google. Ce graphe contient plus de 500 millions d’entités, sourcées à partir de Wikidata, Wikipedia, le CIA World Factbook et d’autres sources. Chaque entité est reliée à d’autres par des relations typées : la Tour Eiffel « est_située_à » Paris, Paris « est_capitale_de » France, France « est_un » pays européen.

Cette structure permet quelque chose que la recherche par mots-clés ne peut pas faire : comprendre le contexte et naviguer dans les relations. Si vous cherchez « l’architecte de la Tour Eiffel », le graphe traverse la relation « conçu_par » pour trouver Gustave Eiffel, sans avoir besoin que cette phrase exacte apparaisse dans un document.

Structure d’un knowledge graph

Le triplet : l’atome du graphe

L’unité fondamentale d’un knowledge graph est le triplet (sujet, prédicat, objet). Il exprime un fait élémentaire :

« Elon Musk » (sujet) → « est PDG de » (prédicat) → « Tesla, Inc. » (objet)

« Paris » (sujet) → « est situé en » (prédicat) → « France » (objet)

« Vitamine D » (sujet) → « favorise » (prédicat) → « santé osseuse » (objet)

Chaque triplet forme une arête directionnelle dans le graphe. En accumulant des millions de triplets, on construit un réseau dense de connaissances interconnectées. Le pouvoir du graphe vient de la navigation entre les relations : en enchaînant les triplets, on peut répondre à des questions complexes par traversée du graphe.

Nœuds, relations et propriétés

Les nœuds (ou entités) représentent les « choses » du graphe : personnes, lieux, organisations, produits, concepts. Chaque nœud a un identifiant unique (un URI dans le monde RDF, un ID interne dans un property graph) et un ou plusieurs labels (types) : Personne, Lieu, Organisation.

Les relations (ou arêtes) connectent deux nœuds et expriment le lien qui les unit. Chaque relation a un type : « travaille_pour », « est_situé_à », « a_fondé ». Les relations sont directionnelles (de A vers B) mais peuvent être interrogées dans les deux sens.

Les propriétés sont des attributs attachés aux nœuds ou aux relations : date de naissance, chiffre d’affaires, date de début de la relation. Leur prise en charge varie selon le modèle de données (voir section suivante).

Les deux modèles de données

Ontologies : le schéma du knowledge graph

Une ontologie définit formellement les types d’entités, les types de relations, et les contraintes logiques d’un domaine. C’est le « schéma » du knowledge graph. Par exemple, une ontologie médicale définit que « Médicament » est un type d’entité, qu’un médicament « traite » une « Pathologie », et qu’une « Pathologie » « affecte » un « Organe ». Les ontologies permettent le raisonnement automatique : si « A est situé dans B » et « B est situé dans C », alors « A est situé dans C » (transitivité).

OWL (Web Ontology Language) et RDFS (RDF Schema) sont les standards pour définir des ontologies dans le monde RDF. Protégé est l’outil open source de référence pour la construction d’ontologies. Dans le monde property graph, les « labels » et « contraintes » jouent un rôle similaire mais moins formel.

Comment construire un knowledge graph

La construction d’un knowledge graph suit un pipeline en quatre étapes :

1. Extraction d’entités et de relations. À partir de texte brut (documents, pages web, notes), le NLP extrait les entités (NER) et les relations entre elles (Relation Extraction). Les LLM accélèrent considérablement cette étape : on peut demander à un modèle d’extraire les triplets d’un texte directement.

2. Résolution d’entités. Identifier que « Elon Musk », « Musk » et « le CEO de Tesla » désignent la même entité. C’est le processus de déduplication et de normalisation (entity resolution / entity linking).

3. Stockage dans une base de graphes. Les entités et relations sont persistées dans une base de données graphe (Neo4j, Neptune, Stardog) selon le modèle choisi (RDF ou property graph).

4. Enrichissement et raisonnement. Des règles ontologiques (OWL, SWRL) déduisent automatiquement de nouvelles relations implicites. Des modèles de machine learning (graph neural networks, link prediction) complètent le graphe en prédisant des relations manquantes.

Knowledge graphs et IA : la convergence KG+LLM

GraphRAG : le RAG dopé au graphe

Le GraphRAG combine la recherche vectorielle du RAG classique avec la navigation dans un knowledge graph. Au lieu de chercher uniquement par similarité sémantique (« quel chunk de texte ressemble le plus à ma question ? »), le système navigue les relations structurées du graphe pour récupérer des informations contextuellement liées.

Cela résout un problème fondamental du RAG vectoriel : il ne comprend pas les relations. Si vous demandez « Quels produits sont vendus par les filiales de l’entreprise X en Europe ? », un RAG vectoriel cherchera des chunks contenant ces mots. Un GraphRAG traversera le graphe : Entreprise X → a_filiale → Filiale Y → est_située_en → Europe → vend → Produit Z. La précision de recherche peut atteindre 99 % dans les configurations bien curatées.

Fujitsu a annoncé début 2026 un framework hybride knowledge graph-LLM pour l’IoT industriel, qui minimise les hallucinations via une vérification factuelle dynamique contre le graphe. Progress Software a intégré le querying avancé de knowledge graphs dans sa plateforme RAG agentique pour l’analytique d’entreprise en temps réel.

LLM pour construire et enrichir les graphes

Les LLM transforment la construction de knowledge graphs. Au lieu d’écrire des extracteurs NLP spécialisés, on peut demander à un LLM d’extraire les entités et les relations d’un texte en langage naturel, de résoudre les ambiguïtés, et de suggérer des liens manquants. L’IA peut « guider l’assemblage » du graphe, réduisant considérablement l’effort manuel de construction.

Inversement, les knowledge graphs ancrent les LLM dans des faits vérifiables, réduisent les hallucinations, et fournissent un contexte structuré pour le raisonnement. SAP, dans ses prédictions IA 2026, recommande aux organisations d’investir dans des « knowledge graphs sémantiquement riches » comme fondation pour rendre les systèmes IA natifs fiables et auto-améliorants.

Approche neurosymbolique

La combinaison de knowledge graphs (raisonnement symbolique, logique formelle) avec des LLM (raisonnement probabiliste, compréhension du langage) est appelée « IA neurosymbolique ». C’est une tendance structurante en 2026 : le graphe fournit la rigueur et la traçabilité, le LLM fournit la flexibilité et la compréhension du langage. Les architectures IA natives d’entreprise combinent les deux pour des systèmes à la fois intelligents et gouvernables.

Applications des knowledge graphs

Moteurs de recherche. Google, Bing et les autres moteurs utilisent des knowledge graphs massifs pour comprendre les requêtes en termes d’entités et de relations, pas seulement de mots-clés. Le SEO évolue vers l’optimisation par entités (entity-based SEO) plutôt que par mots-clés.

Recommandation. Netflix, Amazon, Airbnb, LinkedIn utilisent des graphes de connaissances pour les systèmes de recommandation : « les utilisateurs qui aiment X aiment aussi Y » est une traversée de graphe. Les recommandations basées sur des graphes sont plus explicables que celles basées sur du deep learning pur.

Détection de fraude. Les banques et assureurs utilisent des graphes pour détecter les réseaux de fraude : des connexions suspectes entre comptes, transactions et entités deviennent visibles quand les données sont structurées en graphe.

Santé et pharma. Les knowledge graphs médicaux relient médicaments, pathologies, gènes, protéines et essais cliniques. Ils accélèrent la découverte de médicaments (drug repurposing) en trouvant des connexions inattendues entre molécules et maladies.

Supply chain et industrie. Hitachi a lancé fin 2025 une plateforme de knowledge graph temporel pour la maintenance prédictive dans le secteur énergétique, améliorant l’efficacité opérationnelle de 35 % dans les usines japonaises.

Conformité et gestion des données. Les knowledge graphs structurent la lignée des données (data lineage), les politiques de conformité et les relations entre entités réglementaires, facilitant l’audit et le respect des normes (RGPD, AI Act).

Les grands knowledge graphs publics

Défis des knowledge graphs

Construction et maintenance. Construire un knowledge graph de qualité est coûteux en temps et en expertise. Le design d’ontologie requiert des compétences rares (ingénierie ontologique, linguistique computationnelle). La maintenance continue (ajout de nouvelles entités, correction d’erreurs, mise à jour des relations) est un processus permanent.

Scalabilité. Les enterprise-grade knowledge graphs contiennent des milliards de triplets. Les bases RDF modernes atteignent des latences sub-seconde sur des datasets dépassant 10 milliards de triplets, mais les requêtes complexes multi-hop restent gourmandes en ressources.

Adoption. Malgré le buzz, l’adoption reste en deçà des attentes. Beaucoup d’organisations parlent de knowledge graphs mais peu les déploient à grande échelle. Les raisons : complexité technique, manque de talent en ontologie, et difficulté à démontrer le ROI à court terme.

Interopérabilité. Les knowledge graphs d’entreprise sont souvent des silos. Relier des graphes provenant de sources différentes (fournisseurs, partenaires, données publiques) nécessite un alignement d’ontologies complexe. Le Linked Data et les standards du web sémantique fournissent un cadre, mais l’adoption reste limitée en pratique.

Tendances 2026

KG+LLM comme standard d’architecture. La combinaison knowledge graph + LLM est en train de devenir le pattern de référence pour les applications IA d’entreprise. SAP, IBM, Google et d’autres poussent cette convergence dans leurs plateformes.

Knowledge graphs temps réel. Les graphes statiques cèdent la place à des graphes qui intègrent des données en temps réel (flux IoT, transactions, événements). Les graphes temporels ajoutent une dimension temps aux relations.

Couche sémantique pour l’IA. Les knowledge graphs deviennent la « couche sémantique » qui définit le vocabulaire partagé entre les systèmes IA, les données d’entreprise et les utilisateurs. L’Open Semantic Interface (OSI) standardise cette couche.

IA pour la construction de graphes. Les LLM automatisent de plus en plus l’extraction d’entités, le linking, et l’enrichissement des graphes, réduisant le besoin en curation manuelle. Mais la supervision humaine reste indispensable pour la qualité.

GraphRAG agentique. Les agents IA autonomes utilisent les knowledge graphs comme « mémoire structurée » pour naviguer dans les connaissances de l’entreprise, prendre des décisions et exécuter des actions en contexte.

Verdict

Les knowledge graphs sont le complément structurel indispensable des LLM. Là où les LLM excellent en compréhension et en génération de langage, ils échouent en précision factuelle, en traçabilité et en raisonnement structuré. Le knowledge graph fournit exactement ces capacités manquantes. La combinaison KG+LLM (GraphRAG, IA neurosymbolique) est l’architecture la plus prometteuse pour des systèmes IA d’entreprise fiables et gouvernables.

Pour les praticiens : si vous construisez un système RAG et que la précision factuelle est critique (conformité, finance, santé), investissez dans un knowledge graph. Commencez par un périmètre étroit (un domaine métier, une taxonomie de produits), utilisez Neo4j ou un service managé (Neptune), et connectez-le à votre pipeline RAG via GraphRAG. L’ontologie n’a pas besoin d’être parfaite au départ : commencez simple et itérez.