RAG avec graphes de connaissances

📖 RAG et graphes de connaissances : une alliance gagnante

Le RAG (Retrieval-Augmented Generation) est une architecture d'IA qui combine la recherche d'information avec la génération de texte par LLM. Lorsqu'on y intègre un graphe de connaissances, on obtient une IA plus fiable, plus précise et plus explicable.

🔍 Qu'est-ce que le RAG ?

Le Retrieval-Augmented Generation est une architecture qui résout le problème fondamental des LLM : leur connaissance est figée à la date de leur entraînement.

Fonctionnement

1. 🔎 Retrieval (recherche) : Une requête est utilisée pour chercher des documents pertinents dans une base de connaissances
2. 📄 Augmentation : Les documents trouvés sont ajoutés au prompt comme contexte
3. 🤖 Generation : Le LLM génère une réponse basée sur le contexte fourni

Avantages du RAG

• ✅ Connaissance à jour (la base peut être mise à jour sans réentraînement)
• ✅ Transparence : les sources sont citées
• ✅ Spécialisation : adapté à un domaine spécifique
• ✅ Réduction des hallucinations : le LLM s'appuie sur des faits

🕸️ GraphRAG : l'apport des graphes de connaissances

Le GraphRAG (Graph-based RAG) remplace la base vectorielle classique par un graphe de connaissances. Pourquoi ? Parce qu'un graphe capture les relations entre les entités.

Avantages spécifiques du GraphRAG

• ✅ Précision relationnelle : interroge des relations comme "aPrononce", "concerne", "cite"
• ✅ Inférence : déduit des connaissances implicites (ex: transitivité)
• ✅ Explicabilité : le chemin dans le graphe explique la réponse
• ✅ Interopérabilité : standards RDF/SPARQL

🏗️ Architecture GraphRAG détaillée

Composants clés

• 🔍 Query Translator : Convertit le langage naturel en SPARQL/Cypher
• 🕸️ Graph Database : Triple Store (RDF) ou Neo4j
• 📄 Context Builder : Transforme les résultats en prompt
• 🤖 LLM : Génère la réponse finale

⚖️ RAG vectoriel vs GraphRAG

💻 Implémentation pratique

Avec LangChain et Neo4j

from langchain.chains import GraphCypherQAChain
from langchain_community.graphs import Neo4jGraph
from langchain_openai import ChatOpenAI

# Connexion au graphe Neo4j
graph = Neo4jGraph(
    url="bolt://localhost:7687",
    username="neo4j",
    password="password"
)

# Chaîne RAG sur graphe
chain = GraphCypherQAChain.from_llm(
    graph=graph,
    llm=ChatOpenAI(model="gpt-4"),
    verbose=True
)

# Question
result = chain.invoke(
    "Quels discours Charles de Gaulle a-t-il prononcés sur la résistance ?"
)
print(result["result"])

Avec RDF et SPARQL

from langchain.chains import GraphSparqlQAChain
from langchain_community.graphs import RdfGraph
from langchain_openai import ChatOpenAI

# Connexion au triple store RDF
graph = RdfGraph(
    query_endpoint="http://localhost:3030/ds/sparql",
    update_endpoint="http://localhost:3030/ds/update"
)

# Chaîne RAG SPARQL
chain = GraphSparqlQAChain.from_llm(
    graph=graph,
    llm=ChatOpenAI(model="gpt-4")
)

result = chain.invoke("Qui a prononcé l'Appel du 18 juin ?")

🎯 Cas d'usage du GraphRAG

1. Support client intelligent

Un chatbot qui interroge une KB produit (relations produits, compatibilités, alternatives).

2. Recherche juridique

Navigation dans les lois, arrêts, jurisprudences avec leurs relations (abroge, cite, modifie).

3. Patrimoine et archives

Notre cas : interrogation des discours, orateurs, événements historiques.

4. Gestion des connaissances d'entreprise

Cartographie des expertises, projets, documents et relations entre collaborateurs.

📚 Ressources pour aller plus loin

• 🤖 Graphes de connaissances et IA
• ⚖️ RAG vs Fine-tuning
• 📡 API RAG Le Monde Sémantique
• LangChain Graph RAG documentation
• Documentation Cypher (Neo4j)