Skip to main content

GraphRAG : Recherche par graphe de connaissances

POUR AGENT IAChatGPTClaude

Évolution de l'architecture RAG issue de Microsoft Research. Combine la recherche sémantique classique basée sur les vecteurs avec un graphe de connaissances (Knowledge Graph), où les documents sont transformés en nœuds d'entités (personnes, entreprises, lieux) et en arêtes représentant leurs relations, permettant ainsi de répondre à des questions complexes et globales sur l'ensemble du corpus de données.

1. Vue d'ensemble du concept et de sa finalité

Imaginez un commissariat de police tel qu'on le voit dans les séries policières : au mur, un tableau de liège sur lequel sont épinglées des photos de suspects, des coupures de presse et des adresses d'entrepôts, le tout relié par des fils rouges tendus.

  • Le fil rouge reliant le Suspect A à la Banque B indique : « Ouverture d'un compte ».
  • Le fil rouge reliant la Banque B à l'Entreprise C indique : « Transfert d'un million ».

La recherche vectorielle classique (Vector RAG) ne dispose pas de ce tableau : elle se contente de saisir une fiche isolée sur le bureau, sans percevoir que le nom mentionné sur cette fiche est lié à une autre personne figurant dans un dossier distinct.

En 2024, les chercheurs de Microsoft ont introduit GraphRAG (RAG basé sur les graphes) :

  • Les documents ne sont plus découpés en fragments isolés et aveugles.
  • L'IA identifie toutes les entités ainsi que toutes les relations qui les unissent.
  • Un réseau tridimensionnel unifié des interdépendances est construit.

Dans la pratique d'ingénierie, cela revient à construire le tableau de liège du détective avec des fils rouges reliant tous les faits de votre entreprise.

2. Recherche vectorielle classique vs GraphRAG

RAG VECTORIEL CLASSIQUE (Extraction de fragments) :
Question : « Qui contrôle les actifs de la société Z ? »
La base renvoie : Fragment #481 : « La société Z est enregistrée à Londres »
Fragment #912 : « Le directeur de Z est Petro »
❌ Le lien indiquant que Petro est le neveu de l’oligarque Ivan s’est perdu dans le fragment #14 !

─────────────────────────────────────────────────────────────

GRAPHRAG (Réseau de relations) :
[ Ivan ] ───(Oncle)───> [ Petro ] ───(Directeur)───> [ Société Z ]
   │                                                        ▲
   └────────────(Bénéficiaire réel via un paradis fiscal)──────────┘
✅ L’IA voit instantanément toute la structure de propriété et fournit une réponse complète !

3. Pourquoi GraphRAG répond aux « grandes questions »

Un bot classique ne peut pas répondre à une question telle que :

  • « Quels sont les trois principaux problèmes mentionnés par les clients dans leurs avis tout au long de l'année ? »

GraphRAG utilise la technique de clustering hiérarchique (Community Summarization) :

  1. Il identifie des groupes de nœuds similaires (par exemple, un cluster « Réclamations concernant les livreurs »).
  2. Il génère à l'avance un résumé synthétique pour ce cluster.
  3. Lorsqu'une question globale est posée, il y répond en quelques secondes en s'appuyant sur ces méta-rapports pré-calculés.

4. Conclusion pratique

GraphRAG exige davantage de temps et de ressources de calcul lors de l'indexation initiale de la base de connaissances. Cependant, si votre activité dépend de la compréhension des relations complexes entre partenaires commerciaux, contrats ou historiques clients, c'est la seule méthode permettant d'obtenir des rapports analytiques véritablement profonds et fiables.

/ Questions fréquentesSchema.org FAQPage

FAQ: GraphRAG : Recherche par graphe de connaissances

La recherche vectorielle est aveugle à la vision globale : elle ne trouve que 3 à 5 paragraphes spécifiques et isolés (faits locaux). Si vous posez une question comme « Quels sont les principaux thèmes et conflits abordés dans la correspondance des trois dernières années ? », le RAG standard échouera, car la réponse ne se trouve pas dans un seul paragraphe spécifique.
/ Liens internes

Termes associés

Tous les termes
Prompts & RAG

RAG vs Fine-Tuning (L'éternel dilemme de l'implémentation de l'IA)

Un choix architectural fondamental pour les entreprises. RAG (recherche documentaire en temps réel lors de la requête) contre Fine-Tuning (modification des poids du modèle via apprentissage supplémentaire). Critères de sélection entre l'actualité des faits et un style comportemental spécifique.

Lire le terme
Prompts & RAG

Bases de données vectorielles (Vector DBs & ANN Search)

SGBD spécialisées et extensions (Qdrant, pgvector, Milvus, Chroma, Turso), optimisées pour le stockage de millions de vecteurs multidimensionnels et la recherche approximative des plus proches voisins (Approximate Nearest Neighbors) ultra-rapide.

Lire le terme
Prompts & RAG

Ancrage des faits (Grounding et citation des sources)

Méthodologie d'association des affirmations générées par le réseau de neurones à des sources primaires vérifiées (Source Grounding). Permet d'éliminer les hallucinations et d'assurer la fiabilité juridique et scientifique des réponses grâce à des références précises et des citations.

Lire le terme