apprentissage profond<\/a>, en passant par l’intelligence artificielle et l’apprentissage automatique. Aucune similarit\u00e9 de texte ici : on suit des liens.<\/p>\nD’o\u00f9 viennent les triplets ?<\/h2>\n On ne les \u00e9crit pas \u00e0 la main : on les extrait de sources, textes, bases ou donn\u00e9es structur\u00e9es. Le chemin complet se fait en cinq \u00e9tapes : cr\u00e9ation de l’ontologie avec extraction des entit\u00e9s et relations, \u00e9valuation de la qualit\u00e9, nettoyage des erreurs et doublons, enrichissement par de nouvelles sources, d\u00e9ploiement dans une base de graphes.<\/p>\n\n\n\n\t\t\t\n\t\t\t\tLe sch\u00e9ma insiste sur un point : le processus est it\u00e9ratif. Un graphe se corrige et se compl\u00e8te sans cesse, et il n’est jamais une entit\u00e9 statique : il faut ajouter des donn\u00e9es, mettre \u00e0 jour l’existant et affiner l’ontologie.<\/figcaption><\/figure>\n\n\nLe c\u0153ur du travail repose sur deux t\u00e2ches. La reconnaissance d’entit\u00e9s nomm\u00e9es<\/strong> extrait les entit\u00e9s du texte et les classe (personne, organisation, lieu). L’extraction de relations identifie les liens entre elles : dans \u00ab Bob travaille chez Apple \u00bb, on extrait la relation \u00ab travaille chez \u00bb.<\/p>\nLa difficult\u00e9, c’est l’ambigu\u00eft\u00e9. \u00ab Apple \u00bb d\u00e9signe-t-il le fruit ou l’entreprise ? En musique, le mot peut renvoyer \u00e0 Apple Music, \u00e0 un groupe de rock psych\u00e9d\u00e9lique britannique ou \u00e0 la chanteuse Fiona Apple. Le contexte tranche.<\/p>\n
Les m\u00e9thodes ont \u00e9volu\u00e9. Les plus anciennes reposaient sur des r\u00e8gles, par exemple des majuscules ou des titres de civilit\u00e9 : elles marchaient bien sur des documents standardis\u00e9s mais passaient mal \u00e0 l’\u00e9chelle<\/strong>. Les m\u00e9thodes statistiques et supervis\u00e9es ont fait mieux, mais demandaient des \u00e9tiquettes co\u00fbteuses, vite obsol\u00e8tes quand apparaissent de nouvelles entreprises ou de nouveaux produits.<\/p>\nAujourd’hui, un LLM peut extraire directement les entit\u00e9s du texte, sans \u00e9tiquettes, et les rendre dans le format voulu : une liste de triplets, par exemple. Il peut mener l’extraction d’entit\u00e9s et de relations en une seule \u00e9tape, \u00e0 condition de soigner son prompt, qui pr\u00e9cise la t\u00e2che et le format de sortie.<\/p>\n
Des biblioth\u00e8ques automatisent cette \u00e9tape en quelques lignes :<\/p>\n
from langchain_core.documents import Document\nfrom langchain_experimental.graph_transformers import\nLLMGraphTransformer\nllm_transformer = LLMGraphTransformer(llm=llm)\ndocuments = [Document(page_content=content)]\ngraph_documents = llm_transformer.convert_to_graph_\ndocuments(documents)\n<\/code><\/pre>\nIci, llm<\/code> est le mod\u00e8le de langage que tu as d\u00e9j\u00e0 configur\u00e9 et content<\/code> le texte \u00e0 transformer : on le place dans un Document<\/code>, puis convert_to_graph_documents<\/code> renvoie un r\u00e9sultat d\u00e9j\u00e0 structur\u00e9 en n\u0153uds et relations. On peut ensuite le visualiser et l’interroger dans Neo4j.<\/p>\n\n\u26a0\ufe0f Pi\u00e8ge<\/strong> L’extraction produit des doublons et des erreurs. L’\u00e9tape d’int\u00e9gration et de validation r\u00e9sout les doublons d’entit\u00e9s et v\u00e9rifie que le graphe repr\u00e9sente fid\u00e8lement le domaine, par des tests utilisateur ou des contr\u00f4les automatis\u00e9s.<\/p>\n<\/blockquote>\nCe que le graphe change quand on cherche<\/h2>\n Avec une recherche vectorielle, tu retrouves des passages proches de ta question. Avec un graphe, tu rep\u00e8res d’abord les entit\u00e9s de la question, puis tu parcours leurs voisins. Pour \u00ab o\u00f9 est n\u00e9 Obama ? \u00bb, on part du n\u0153ud Obama et on prend ses voisins directs (un saut), voire les voisins de ses voisins (deux sauts).<\/p>\n
Contrairement au d\u00e9coupage en passages, qui se r\u00e8gle par leur taille, la granularit\u00e9 se choisit \u00e0 la r\u00e9cup\u00e9ration<\/strong>. On peut ramener un n\u0153ud, un triplet, un chemin ou un sous-graphe entier : de plus en plus de contexte, de plus en plus de relations.<\/p>\n\n\n\n\t\t\t\n\t\t\t\tSur le sch\u00e9ma, la part en orange grandit \u00e0 chaque niveau. Un n\u0153ud suffit pour une question cibl\u00e9e sur une entit\u00e9 ; un triplet quand sa relation compte ; un chemin pour relier deux entit\u00e9s ; un sous-graphe pour analyser des motifs et des d\u00e9pendances complexes. Les chemins possibles croissent exponentiellement avec la taille du graphe, d’o\u00f9 le besoin de r\u00e8gles ou de la recherche du plus court.<\/figcaption><\/figure>\n\n\nOn peut aussi combiner les deux mondes. Une approche extrait entit\u00e9s et relations des passages avec un LLM, retrouve d’abord des passages par similarit\u00e9, puis parcourt le graphe pour r\u00e9cup\u00e9rer ceux qui partagent leurs entit\u00e9s. Une autre d\u00e9tecte des communaut\u00e9s<\/strong> d’entit\u00e9s dens\u00e9ment connect\u00e9es, avec des algorithmes comme Leiden ou Louvain, et fait r\u00e9sumer chacune par un LLM.<\/p>\n\n\n\n\t\t\t\n\t\t\t\tCes r\u00e9sum\u00e9s r\u00e9pondent aux questions sur les grands th\u00e8mes<\/strong> d’un corpus (\u00ab quels sont les th\u00e8mes principaux de ce rapport ? \u00bb), l\u00e0 o\u00f9 un fait isol\u00e9 ne suffit pas.<\/figcaption><\/figure>\n\n\nPour interroger le graphe en langage naturel, la question doit devenir une requ\u00eate Cypher. Deux voies : des mod\u00e8les de requ\u00eate pr\u00e9d\u00e9finis, rigides mais fiables, ou la g\u00e9n\u00e9ration par un LLM, plus flexible mais moins fiable \u00e0 100 %.<\/p>\n\n\n\n\t\t\t\n\t\t\t\tLe graphe garde aussi les informations structur\u00e9es (un employ\u00e9, le statut d’une t\u00e2che, la hi\u00e9rarchie d’une entreprise) et non structur\u00e9es (le texte libre d’un article) dans un m\u00eame syst\u00e8me. C’est ce qui le rend adapt\u00e9 aux questions qui demandent de filtrer, compter ou agr\u00e9ger, l\u00e0 o\u00f9 les seuls embeddings de texte butent.<\/figcaption><\/figure>\n\n\n\n\ud83d\udccc \u00c0 retenir<\/strong> Le graphe ne remplace pas la recherche vectorielle : il la compl\u00e8te. La recherche va m\u00eame vers des syst\u00e8mes qui emploient les deux, avec \u00e9ventuellement un routeur qui choisit entre le graphe et la base vectorielle.<\/p>\n<\/blockquote>\nO\u00f9 on s’en sert<\/h2>\n La sant\u00e9 croise m\u00e9dicaments, pathologies et interactions. La recommandation de produits suit le parcours d’un client sur plusieurs sauts. L’analyse de contrats rep\u00e8re des d\u00e9pendances et des risques de conformit\u00e9 entre documents li\u00e9s.<\/p>\n
Le droit, avec ses nombreuses citations entre affaires, se mod\u00e9lise naturellement en graphe : pour une affaire donn\u00e9e, on peut sugg\u00e9rer des affaires ant\u00e9rieures. Il en va de m\u00eame pour un article de recherche, avec ses signataires, ses institutions et son r\u00e9seau de citations. Des agents ont ainsi propos\u00e9 de nouvelles hypoth\u00e8ses de recherche \u00e0 partir d’un graphe construit sur 1 000 articles.<\/p>\n
Un graphe est aussi un recueil de faits, d’o\u00f9 une piste pour limiter les hallucinations d’un LLM<\/a> : lui donner des faits v\u00e9rifiables, ce qui compte en biom\u00e9decine.<\/p>\nLes limites \u00e0 conna\u00eetre avant de te lancer<\/h2>\n Le co\u00fbt de construction<\/strong> est le premier obstacle : utiliser un LLM pour extraire des triplets d’un grand corpus peut co\u00fbter cher et exiger une infrastructure adapt\u00e9e. Une fois le graphe b\u00e2ti, il faut encore l’\u00e9valuer et le nettoyer, manuellement ou par calcul.<\/p>\nL’\u00e9chelle<\/strong> pose un deuxi\u00e8me probl\u00e8me. Les graphes industriels peuvent contenir des milliards d’entit\u00e9s et de relations, alors que beaucoup d’algorithmes sont con\u00e7us pour des graphes allant jusqu’\u00e0 quelques milliers d’entit\u00e9s. Retrouver de l’information dans un tr\u00e8s gros graphe reste difficile.<\/p>\nTroisi\u00e8me limite : un graphe est notoirement incomplet<\/strong> et le plus souvent statique, ce qui g\u00eane dans des domaines comme la finance o\u00f9 le march\u00e9 change vite. Les graphes dynamiques corrigent cela, mais deviennent plus durs \u00e0 maintenir : l’afflux de donn\u00e9es peut introduire des erreurs qui se propagent. Ils sont gourmands en ressources, soumis \u00e0 des normes strictes quand ils contiennent des donn\u00e9es sensibles, et une confiance excessive peut faire n\u00e9gliger des facteurs que le graphe ne capture pas.<\/p>\nPour en profiter malgr\u00e9 ces risques, on met en place des m\u00e9canismes de validation robustes, une architecture \u00e9volutive, des mesures de s\u00e9curit\u00e9 (chiffrement, contr\u00f4les d’acc\u00e8s, anonymisation) et une supervision humaine pour les d\u00e9cisions critiques.<\/p>\n
Reste la question du choix. Si ton jeu de donn\u00e9es est grand et que la recherche vectorielle classique atteint ses limites, l’approche par graphe est plus co\u00fbteuse et plus complexe<\/strong>, mais donne fr\u00e9quemment de meilleurs r\u00e9sultats. Pour une question directe sur un fait simple, la recherche vectorielle seule suffit.<\/p>","protected":false},"excerpt":{"rendered":"Un graphe de connaissances range les faits en triplets (entit\u00e9, relation, entit\u00e9). D\u00e9couvre comment il se construit, ce qu’il retrouve, et ses limites.<\/p>\n","protected":false},"author":1,"featured_media":516,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5],"tags":[],"class_list":["post-517","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-rag"],"_links":{"self":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/517","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/comments?post=517"}],"version-history":[{"count":3,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/517\/revisions"}],"predecessor-version":[{"id":791,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/517\/revisions\/791"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/media\/516"}],"wp:attachment":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/media?parent=517"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/categories?post=517"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/tags?post=517"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"Un](\"https:\/\/www.ranksignal.fr\/wp-content\/uploads\/2026\/10\/b3_ch07_tableau_vers_graphe.png\")