Infrastructure de données
L'automatisation des graphes de connaissances consiste à utiliser des agents d'IA pour lire et écrire sur un graphique d'entités et de relations typées en tant que couche de mémoire persistante, permettant aux flux de travail automatisés d'accumuler et d'appliquer des connaissances structurées au fil des exécutions.
Un graphe de connaissances stocke les informations sous forme de nœuds (entités – contacts, entreprises, produits, tâches) et de bords (relations typées – travaux, concurrent mentionné, accord conclu). Contrairement à une base de données relationnelle, qui nécessite un schéma fixe, ou à une base de données vectorielle, qui stocke les intégrations pour la récupération de similarités, un graphe de connaissances prend en charge les requêtes qui traversent les chaînes de relations : recherchez tous les contacts des entreprises dont le dernier appel enregistré a mentionné des objections de tarification, regroupés par propriétaire de compte. Il s'agit de requêtes qui nécessitent de suivre les arêtes typées du graphique, et pas seulement de faire correspondre la similarité du texte.
Le lien avec l’automatisation est la persistance. Un flux de travail qui s'exécute quotidiennement sur de nouvelles entrées CRM peut écrire ses résultats (données d'enrichissement, mises à jour de scores, cartes de relations de contact) dans le graphique de connaissances. L'exécution suivante lit à partir de cet état accumulé plutôt que de recalculer à partir de zéro. Les agents qui interagissent avec le graphe de connaissances créent un modèle de domaine de plus en plus riche, et les corrections humaines appliquées lors d'une exécution sont disponibles dans toutes les exécutions suivantes sans configuration supplémentaire.
L'automatisation des graphes de connaissances diffère de la récupération de bases de données vectorielles d'une manière spécifique et importante. Les bases de données vectorielles répondent à des questions telles que « quels documents sont sémantiquement similaires à cette requête ? » — utile pour la génération augmentée par récupération sur du contenu non structuré. Les graphiques de connaissances répondent à des questions qui nécessitent de traverser des relations explicites : « quels prospects proviennent de la même campagne qui a produit l'accord A ? » et « qu'est-ce que l'agent a appris sur cette entreprise la semaine dernière qui a modifié son score ? » Il s’agit de requêtes en mémoire structurée et non de recherches de similarité. Les systèmes d'IA de production utilisent souvent les deux : recherche vectorielle pour la récupération de documents non structurés, graphiques de connaissances pour la mémoire d'entités structurées.
En pratique
AgentLed inclut un Knowledge Graph intégré dans lequel tous les agents de workflow peuvent lire et écrire dans le même système de crédit. Lorsqu'un agent traite une exécution d'enrichissement de leads, il écrit des données d'entité structurées (entreprise, contacts, signaux d'intention, mentions de concurrents) dans le graphique sous forme de nœuds et de bords typés. Lors de l'exécution suivante, l'agent interroge le graphique pour voir ce qu'il sait déjà, ce qu'un humain a corrigé la dernière fois et quels modèles ont émergé dans des comptes similaires. Cela élimine les appels API redondants, préserve les corrections humaines entre les exécutions et permet aux agents d'acquérir une compréhension cumulative du domaine plutôt que de repartir de zéro à chaque fois.
Un graphe de connaissances est une structure de données qui représente les informations sous la forme d'un ensemble d'entités (nœuds) et de relations typées (arêtes) entre elles. Contrairement aux tableaux plats ou aux documents, il modélise explicitement la façon dont les entités interagissent les unes avec les autres, prenant en charge les requêtes qui traversent plusieurs types de relations en une seule opération.
Une base de données vectorielles stocke des intégrations de grande dimension pour la recherche de similarité sémantique : « trouver des documents similaires à cette requête ». Un graphe de connaissances stocke les relations explicites et typées entre les entités et prend en charge les requêtes transversales structurées : « trouver toutes les pistes des entreprises dont le PDG a changé au cours des 90 derniers jours ». Ils résolvent différents problèmes et sont souvent utilisés ensemble dans les systèmes d’IA de production.
Sans mémoire persistante, un agent IA démarre chaque exécution avec uniquement sa formation de base. Il ne peut pas se souvenir de ce qu’il a appris lors d’une exécution précédente, de ce qu’un humain a corrigé ou des modèles qu’il a observés. Un graphe de connaissances fournit aux agents une couche de mémoire structurée qui persiste d'une exécution à l'autre et peut être interrogée avec précision, plutôt que de s'appuyer uniquement sur la similarité sémantique.
Les workflows qui traitent les données récurrentes (enrichissement quotidien CRM, veille concurrentielle hebdomadaire, notation continue des leads) en bénéficient le plus. Le graphique accumule les observations au fil des exécutions, de sorte que le système devient plus précis au fil du temps. Les flux de travail ponctuels qui traitent les données une seule fois et les suppriment obtiennent moins d'avantages.
Un graphe de connaissances est un type de base de données graphique avec typage sémantique sur les nœuds et les arêtes. Les bases de données graphiques traditionnelles stockent les structures nœud-bord sans nécessairement appliquer de types sémantiques aux relations. Les graphes de connaissances ajoutent des contraintes ontologiques (entités typées, types de relations nommés) qui prennent en charge les requêtes de raisonnement en plus du parcours de graphes.
Lorsqu'un humain corrige le résultat d'un agent (mise à jour d'un score de prospect, modification d'une classification de contact, remplacement d'un champ d'enrichissement), AgentLed enregistre la correction sous la forme d'un bord tapé dans Knowledge Graph. Future exécute une requête pour les corrections antérieures avant de prendre la même décision, empêchant ainsi l'agent de répéter la même erreur sur la même entité.
