Combinaison des grands modèles de langage avec les graphes de connaissances d'entreprise : une perspective sur l'amélioration de la compréhension du langage naturel

Les graphes de connaissances (KGs) ont révolutionné la représentation des connaissances, en permettant un cadre structuré en graphe où les entités et leurs interrelations sont organisées de manière systématique. Depuis leur création, les KGs ont considérablement amélioré diverses applications s'appuyant sur les connaissances, notamment les systèmes de recommandation et les systèmes de questions-réponses. Sensigrafo, un KG d'entreprise développé par Expert.AI, illustre cette avancée en se concentrant sur la compréhension du langage naturel via une représentation lexicale orientée machine. Malgré ces progrès, la maintenance et l'enrichissement des KGs restent un défi, nécessitant souvent des efforts manuels. Les développements récents des grands modèles de langage (LLMs) offrent des solutions prometteuses pour l'enrichissement des KGs (KGE) en exploitant leur capacité à comprendre le langage naturel. Dans cet article, nous discutons des techniques à la pointe basées sur les LLMs pour le KGE et montrons les défis associés à l'automatisation et au déploiement de ces processus dans un environnement industriel. Nous proposons ensuite notre point de vue sur la manière de surmonter les problèmes liés à la qualité et à la rareté des données, la viabilité économique, les enjeux de confidentialité, l'évolution linguistique, et le besoin d'automatiser le processus de KGE tout en maintenant une haute précision.