Un graphe de connaissances pour un siècle d'expertise

Les grands modèles de langage (LLM) peuvent enfin donner du sens aux documents non structurés, mais la génération augmentée par récupération (RAG) de première génération montre souvent ses limites en matière de performance et d'explicabilité. Les graphes de connaissances, qui relient des entités et leurs relations, s'imposent peu à peu comme un moyen de fournir aux LLM un contexte fiable et explicable.

Un groupe mondial de la beauté investissait depuis des années dans les données structurées, mais plus d'un siècle de son histoire restait enfoui dans environ 10 millions de documents non structurés.

Le groupe devait :

• Libérer les connaissances enfermées dans ses documents non structurés.
• Dépasser les limites de performance et d'explicabilité de ses premiers cas d'usage RAG.
• Relier les données structurées et non structurées afin que les experts comme les LLM puissent les exploiter.

Sia a posé les fondations du programme de données non structurées du groupe, reposant sur des graphes de connaissances et des LLM :

• Cadre méthodologique : un cadre de bout en bout pour les projets de données non structurées, couvrant les compétences, les processus, la gouvernance et les outils.
• Premiers cas d'usage : récupération de données, extraction d'allégations et évaluation des connaissances en formulation.
• Expertise graphe : une expertise de bout en bout sur les graphes, de l'ontologie et de l'extraction d'entités au GraphRAG, avec des partenaires technologiques.

Le groupe dispose désormais d'une couche de connaissances reliant données structurées et non structurées, pour les experts comme pour les LLM :

• Ses premiers graphes de connaissances, accessibles via des applications web et un chat GraphRAG.
• Un cadre pour mener d'autres projets de données non structurées.

En associant graphes de connaissances, LLM et cadre clair de gouvernance des données, Sia aide les organisations à faire de leurs connaissances non structurées un actif stratégique.