Larssen Consulting
Agents et outils

Graphe de connaissances

Knowledge graph

Le graphe de connaissances organise les informations en entités reliées par des relations nommées, ce qui permet à un moteur de recherche, une application ou un agent IA de suivre des liens précis, avec leurs sources et leur chronologie, plutôt que de rapprocher des textes par ressemblance.

  • Lecture : 4 minutes
  • Mis à jour le 12 novembre 2026
  • 4 sources

En clair

Un enquêteur de série policière épingle au mur des photos de suspects, de lieux et d’objets, puis les relie par des fils de couleur : « a rencontré », « possède », « était présent le ». D’un coup d’œil, il voit qui est lié à qui et par quel chemin. Un graphe de connaissances, c’est ce mur, en version informatique : chaque élément est un point, chaque fil porte un nom.

La différence avec une simple pile de documents est essentielle. Dans un document, l’information est noyée dans des phrases. Dans un graphe, elle est explicite : le contrat A a été signé par le client B, remplacé par le contrat C le 1er mars, et cette information vient de tel fichier. On peut alors poser des questions qui enchaînent plusieurs liens, comme « quels clients ont un contrat qui dépend de ce fournisseur ? ».

Pour les assistants d’IA, le graphe sert de mémoire structurée. Plutôt que de retrouver des passages qui ressemblent à la question, l’agent suit des relations, sait d’où vient chaque fait et lequel est le plus récent.

Un exemple

Un industriel de l’équipement électrique veut un assistant capable de répondre aux questions de ses ingénieurs d’après-vente : « quelles installations utilisent ce composant rappelé, et chez quels clients ? ». La recherche dans les documents techniques donne des passages pertinents mais incomplets, car la réponse est dispersée entre nomenclatures, contrats de maintenance et rapports d’intervention.

L’équipe données construit un graphe qui relie composants, modèles d’équipement, sites installés, clients et interventions, chaque lien gardant sa source et sa date. L’assistant interroge d’abord le graphe pour obtenir la liste exacte des sites concernés, puis va chercher dans les documents les détails utiles à la réponse. Les ingénieurs peuvent remonter du résultat à la fiche d’origine.

Niveau technique

Comment ça marche

En mai 2012, Google présente son Knowledge Graph avec le slogan « things, not strings » : des objets plutôt que des chaînes de caractères. Il compte alors plus de 500 millions d’objets et plus de 3,5 milliards de faits et de relations, construits notamment à partir de Freebase, de Wikipédia et du CIA World Factbook 1. L’idée s’appuie sur les standards du web sémantique : le modèle RDF, recommandation du W3C dont la version 1.1 date de 2014, décrit chaque fait par un triplet sujet, prédicat, objet, où les éléments sont identifiés par des adresses uniques 3. D’autres bases, dites graphes de propriétés, attachent directement des attributs aux nœuds et aux liens.

  1. ModéliserOn définit les types d’entités et de relations utiles au métier, souvent à partir d’une ontologie.
  2. ExtraireOn alimente le graphe depuis les bases existantes et les documents, parfois avec un modèle de langage.
  3. Relier et dédoublonnerOn fusionne les doublons et l’on rattache chaque fait à sa source et à sa date.
  4. InterrogerApplications et agents parcourent les relations par requêtes pour obtenir des réponses précises et traçables.

La synthèse de référence d’Aidan Hogan et de dix-sept coauteurs, publiée en 2021 dans ACM Computing Surveys, décrit les modèles de données et langages de requête, le rôle du schéma, de l’identité et du contexte, et les méthodes pour créer, enrichir, évaluer et corriger un graphe 2. Construire un graphe de qualité reste le point dur : il faut extraire les entités des sources, les dédoublonner et maintenir les relations à jour 2.

Avec les grands modèles de langage, le graphe revient comme complément de la recherche vectorielle. En 2024, Darren Edge et ses coauteurs présentent GraphRAG : un modèle extrait des documents un graphe d’entités, regroupe les entités proches en communautés et résume chacune ; sur des corpus d’environ un million de tokens, les réponses aux questions de synthèse globale sont nettement plus complètes et variées qu’avec une recherche classique par passages 4. Le graphe de connaissances se distingue de l’ontologie métier, qui définit les types d’entités et de relations admis, alors que le graphe contient les faits eux-mêmes, et de la base vectorielle, qui rapproche des textes par proximité de sens sans représenter de relations explicites.

Ce que ça change pour une entreprise

Pour l’entreprise, un graphe de connaissances rend exploitables des informations éparpillées entre plusieurs systèmes, et donne aux assistants d’IA une base où chaque fait est daté et sourcé. Il répond bien aux questions qui enchaînent des liens, comme les dépendances, les responsabilités ou l’historique, là où une recherche par ressemblance de textes renvoie des passages sans garantir l’exhaustivité 4.

Le coût est surtout humain et continu : définir le modèle avec les métiers, alimenter le graphe, corriger les erreurs d’extraction et le tenir à jour 2. Un graphe obsolète ou mal dédoublonné donne des réponses fausses avec assurance. Il est souvent plus raisonnable de commencer par un périmètre étroit et à forte valeur, puis de l’étendre, et de le combiner avec une recherche documentaire plutôt que de le substituer à elle.

Idées reçues

  • « Un graphe de connaissances, c’est une nouveauté de l’IA générative. »

    Google en a lancé un à grande échelle dès 2012 [1], sur des standards du W3C plus anciens encore. Les modèles de langage en relancent l’usage.

  • « Le graphe remplace la base vectorielle. »

    Les deux se complètent : le graphe suit des relations explicites, la base vectorielle retrouve des passages par proximité de sens. Beaucoup de systèmes combinent les deux.

  • « Un modèle de langage peut construire le graphe tout seul. »

    Il aide beaucoup à extraire les entités, mais le modèle des données, le dédoublonnage et la validation demandent encore un travail humain suivi.

Sources

  1. Amit Singhal (Google), « Introducing the Knowledge Graph: things, not strings », 2012
  2. Hogan et al., « Knowledge Graphs », ACM Computing Surveys, 2021
  3. W3C, « RDF 1.1 Concepts and Abstract Syntax », 2014
  4. Edge et al., « From Local to Global: A Graph RAG Approach to Query-Focused Summarization », 2024

Voir aussi