Un graphe de connaissances est une représentation des connaissances qui organise les « entités » et les « relations entre elles » sous forme de réseau. Prenez un triplet comme « Zhang Wei — travaille chez — une entreprise tech — comme ingénieur » : en reliant suffisamment de triplets « sujet–relation–objet », on obtient un graphe. La plus grande différence avec une table : les relations sont des citoyennes de première classe, on peut interroger les liens directement, sans jointures.
D'abord, visualiser son apparence
L'image la plus intuitive, c'est des nœuds plus des arêtes : les nœuds sont des entités comme des personnes, des entreprises, des lieux ou des événements ; les arêtes sont des relations comme « fondé en », « situé à » ou « racheté par ». La relation porte elle-même un nom, si bien qu'une machine lit son sens au lieu de le deviner d'après les en-têtes de colonnes. Derrière les panneaux de connaissances des moteurs de recherche et les infobox des encyclopédies, on trouve souvent une logique de graphe de connaissances.
Trois frontières : ce qui n'est pas un graphe de connaissances
Premièrement, ce qui fait de la recherche sémantique n'est pas un graphe de connaissances — c'est une base de données vectorielle : les vecteurs stockent « à quoi ça ressemble », le graphe de connaissances stocke « quelle est la relation ». Deuxièmement, une base de données graphe n'est pas un graphe de connaissances : c'est un moteur de stockage, tandis que le graphe de connaissances est une manière d'organiser le savoir ; le moteur peut héberger un graphe de connaissances, mais aussi d'autres graphes. Troisièmement, un grand modèle de langage n'est pas lui-même un graphe de connaissances : les connaissances implicites dans ses paramètres sont probabilistes et faillibles, alors que chaque relation d'un graphe de connaissances est déclarée explicitement et traçable.
Tableau comparatif : comment graphe de connaissances, base vectorielle et RAG se répartissent le travail
La relation à trois en une phrase : le RAG est le flux de travail qui fait le job, la base de données vectorielle et le graphe de connaissances sont deux types de réserves de connaissances qui alimentent ce flux.
| Axe de comparaison | Graphe de connaissances | Base de données vectorielle | | Stocke | Des entités et des relations explicites | Du texte converti en vecteurs | | Point fort | Raisonnement multi-sauts, Q&R précise | Appariement sémantique flou | | Question type | « Quelles autres entreprises le fondateur de la société A a-t-il créées ? » | « Trouver un passage de sens proche » | | Point faible | Coûteux à construire, lent à mettre à jour | Réponses à côté du sujet fréquentes |
Le RAG (génération augmentée par récupération) est le pipeline complet qui transmet les connaissances récupérées à un grand modèle avant de répondre : il peut faire de la recherche sémantique dans une base vectorielle, des requêtes de relations dans un graphe de connaissances, ou les deux — une approche que la recherche appelle GraphRAG.
Trois idées reçues fréquentes
Idée reçue n° 1 : « les graphes de connaissances sont dépassés, remplacés par la recherche vectorielle ». C'est l'inverse : les questions relationnelles sont le talon d'Achille de la recherche vectorielle. Les questions multi-sauts (par exemple « qui a racheté l'ancienne entreprise du fondateur d'un produit ? ») y perdent souvent le fil, et le raisonnement relationnel du graphe comble le manque. Idée reçue n° 2 : « construire un graphe de connaissances, c'est installer une base graphe ». Le moteur n'est que le contenant ; le vrai travail est dans la conception de l'ontologie et l'alignement des entités — décider si « Pékin » et « ville de Pékin » sont le même nœud compte bien plus que le choix de la base. Idée reçue n° 3 : « inutilisable pour les petites entreprises ». Construire à la main un graphe couvrant tout un domaine coûte cher, c'est vrai ; l'approche pragmatique est petite et ciblée : ne couvrir qu'un seul domaine métier, comme une base de pannes produit ou une base de clauses réglementaires — c'est là que l'effet est le plus rapide.
Où il excelle vraiment
La détection des parties liées dans le contrôle des risques financiers, la Q&R produit dans l'e-commerce, les requêtes d'interactions médicamenteuses en santé, le traçage des clauses en service client — le point commun : les réponses doivent être précises, explicables et traçables jusqu'à des relations concrètes, pas seulement du texte qui « y ressemble ». Un graphe de connaissances répond à la question « qu'est-ce que c'est, au juste » : quand l'activité ne tolère pas les réponses vagues, un réseau de relations explicites reste une infrastructure incontournable.
