L’IA générative et les graphes de connaissance au service de la productivité

Comprendre le LLM, le graphe de connaissance, et leur lien essentiel

Le LLM, ou Large Language Model (modèle linguistique de grande envergure), est une intelligence artificielle qui a assimilé une multitude de données universelles, notamment issues de sources telles que Wikipedia. C’est un type d’IA générative dont les représentants les plus célèbres sont : ChatGPT (Open AI) – Gemini (Google) – Le chat (Mistral AI). Sa fonction principale consiste à générer du texte basé sur des liens sémantiques préalablement appris, à partir d’un contexte donné, également appelé prompt. En d’autres termes, le LLM se comporte comme une forme avancée d’autocomplétion, bien plus performante que celle que l’on retrouve sur nos téléphones. Nous l’avons par exemple utilisé dans le cadre de création de programme de e.learning pour le secteur de la e.mobilité.

D’autre part, le graphe de connaissance représente une formalisation sous forme de graphe des concepts métier et de leurs relations. Par exemple, un chat est lié à des notions telles que mammifère, pattes, poils, oreilles, et ce contenu est élaboré par des experts dans le domaine. Nous l’avons par exemple utilisé dans le secteur de la santé, en créant un modèle de données de type « ontologie » pour gérer les connaissances, documents et échanges mails entre les clients et les institutions de contrôle.

Le LLM, conçu pour produire un contenu générique, peut parfois dévier du sujet ou commettre des erreurs, un phénomène appelé « hallucination » dans le jargon, que l’on peut considérer comme une forme de créativité. Pour contrer cette propension à la divergence, le graphe de connaissance intervient en encadrant la réponse. En intégrant dans le prompt un cadre de réponse strict, le graphe de connaissance guide la génération de texte en alignant la réponse sur la question de l’utilisateur, tout en respectant les contraintes du graphe.

Applications dans divers secteurs d’activités

Les applications de cette synergie entre le LLM et le graphe de connaissance s’étendent à plusieurs secteurs d’activités. Des secteurs tels que l’énergie, l’électromobilité, la banque et l’assurance, l’industrie, les médias, le logiciel, la santé, et bien d’autres peuvent tirer profit de cette technologie. Que ce soit pour la synthèse de réunions, la production de texte (comme la rédaction de plans de projets, de notes de réunion, ou même de code informatique), ou encore pour répondre à des besoins d’échange, tels que le service client ou le support, le hub France IA a élaboré un document exhaustif sur les usages et l’impact de ChatGPT disponible ici : lien vers le document.

Objectifs et résultats attendus

L’utilisation de cette technologie vise à augmenter les compétences des employés, tant en termes de productivité que de qualité de production. Des réalisations telles que la rédaction complète d’un business plan en une heure, la revue de code informatique, la production de comptes rendus, la formulation de questions pointues, ou la traduction de documents sont autant d’exemples concrets des résultats obtenus.

Points de vigilance et limites

L’exploitation des modèles, notamment en termes de coût, ainsi que la nécessité d’un apprentissage pour ces modèles LLM génériques, représentent des points de vigilance importants. La création de l’ontologie et la production du contenu de cette ontologie (qui peut être assistée par le LLM lui-même) sont également des défis à relever dans l’application de cette technologie.