Présentation des graphes de connaissances : passé, présent et futur de la recherche en ligne avec l'IA

Cet article retrace l'histoire des graphes de connaissances, et explique leur rôle fondamental pour fournir des réponses précises et structurées, quelle que soit la plateforme où les clients font des recherches.

Si vous avez déjà posé la question à votre téléphone « Qui a inventé le téléphone ? » ou encore « Où se trouve la pizzeria ouverte la plus proche ? », et que vous avez obtenu une réponse immédiatement, c'est grâce à un graphe de connaissances. C'est comme un cerveau digital géant qui aide les ordinateurs à comprendre les informations comme les humains.

Aujourd'hui, les graphes de connaissances reviennent souvent dans les discussions sur la révolution de l'IA. C'est logique : ils sont utilisés pour entraîner les grands modèles de langage (LMM), alimenter les chatbots et rendre les machines plus intelligentes. Dans les faits, c'est dans le plus grand silence que les graphes de connaissances ont élaboré notre façon de trouver des informations pendant des années, bien avant que l'IA ne soit sur toutes les lèvres.

Découvrez comment les graphes de connaissances ont vu le jour et comment les marques peuvent les utiliser aujourd'hui pour apporter à leurs clients les bonnes réponses, à tous les coups.

Dans les années 1960, les ordinateurs commençaient à stocker et à traiter des informations. Mais il y avait un problème : ils ne comprenaient pas vraiment ces informations. Ils ne pouvaient que faire correspondre des mots ou des chiffres exacts. Autrement dit, ils n'étaient pas très doués pour reconnaître les relations entre les concepts. (Imaginez une bibliothèque où tous les livres sont empilés, et où vous devez trouver une phrase en particulier. Frustrant, n'est-ce pas ?)

Quelques années plus tard, dans les années 1970 et 1980, les chercheurs ont commencé à innover pour améliorer la performance des ordinateurs. Les premières tentatives de création de réseaux sémantiques, les ancêtres des graphes de connaissances, ont permis aux machines d'établir des liens entre les idées (par exemple, en associant le nom « Alexander Graham Bell » à l'invention du téléphone). Ces réseaux constituaient les prémices d'une méthode davantage connectée et intelligente de traitement de l'information.

Puis, dans les années 1990, Internet est né et, du jour au lendemain, une profusion d'informations s'est offerte au public. Pour autant, il fallait s'armer de patience pour trouver ce dont on avait besoin. Des moteurs de recherche, Yahoo et AltaVista en tête, sont alors apparus pour aider les internautes à trouver ce qu'ils cherchaient.

Mais ces premiers moteurs de recherche présentaient un défaut majeur : ils reposaient sur une simple correspondance de mots-clés. Si vous faisiez une recherche en anglais sur « apple » (pomme), vous pouviez obtenir des résultats sur le fruit, les ordinateurs Apple ou un blog culinaire au hasard, car le moteur de recherche ne comprenait pas le contexte.

Cette lacune soulevait une question fondamentale : et si les moteurs de recherche pouvaient comprendre les relations entre les mots, comme le fait le cerveau humain ? Et s'ils étaient capables de reconnaître que « inventor of Apple » fait référence à une personne (Steve Jobs) qui a fondé une entreprise, et non au fruit ? C'est sur cette idée que reposent les graphes de connaissances modernes.

En 2012, Google a officiellement lancé son graphe de connaissances, une base de données riche de milliards d'informations sur les personnes, les lieux et les choses. Sa structure a permis aux machines de comprendre enfin ces fameuses « relations entre les mots ». Ce fut une véritable révolution.

Désormais, au lieu de se contenter d'afficher une liste de liens en réponse à une recherche, Google pouvait fournir des réponses rapides et claires. Si vous cherchiez « Qui est Beyoncé ? », vous obteniez sa photo, une courte biographie, ses albums et même des personnes de son entourage, comme son mari Jay Z. Tout cela est rendu possible par un graphe de connaissances organisant ces informations en arrière-plan. En gros, Google a créé le cadre de données qui s'apparente à un cerveau dont les ingénieurs parlaient depuis longtemps.

Constatant la puissance de cette technologie, d'autres entreprises ont rapidement commencé à créer leurs propres graphes de connaissances pour proposer des sites Internet, des applications et des appareils plus intelligents. L'idée était simple, mais puissante : établir des liens entre les informations pour que les ordinateurs puissent répondre aux questions de manière naturelle.

Tout cela nous mène à aujourd'hui. Les plateformes de recherche optimisées par l'IA (comme Gemini, ChatGPT, Meta AI et d'autres modèles d'IA) ne se contentent pas d'explorer des pages Web indexées.

Les moteurs de recherche optimisés par l'IA extraient des informations d'une multitude de sources et fournissent des réponses rapides, pertinentes et conversationnelles aux questions (et les clients font confiance à ces résultats).

Pour les marques, cela signifie une chose : si vos données ne sont pas structurées et accessibles via un graphe de connaissances, les plateformes de recherche optimisées par l'IA pourraient ne pas vous trouver, et c'est un gros problème étant donné la vitesse à laquelle elles se développent.

Un graphe de connaissances fait en sorte que les informations sur votre marque (les horaires d'ouverture des magasins, les services, les détails des produits et les FAQ) sont structurées de manière à être comprises par les plateformes optimisées par l'IA. Cela signifie que votre marque apparaît au moment et là où les clients ont besoin de réponses.

Petit aparté pour parler de nous, car, si le terme « graphe de connaissances » (knowledge graph en anglais) gagne en popularité, il faut savoir que nous sommes experts dans ce domaine depuis plusieurs années.

Contrairement aux graphes de connaissances classiques qui peuvent permettre de répondre à des questions simples, le Knowledge Graph de Yext a été conçu pour les marques. Il a été pensé pour les aider à structurer leurs informations de sorte qu'elles puissent être trouvées par les moteurs de recherche, les plateformes d'IA et, au final, tous les points de contact digitaux.

Prenons un exemple. Un client demande à ChatGPT : « L'hôtel XYZ accepte-t-il les animaux ? » ou « Quel est le numéro de téléphone de ma banque ? ». Si cette marque utilise le Knowledge Graph de Yext, ses informations sont structurées et prêtes à apparaître dans les résultats optimisés par l'IA, de manière précise et cohérente.

De plus, le Knowledge Graph de Yext s'adapte à la croissance et à l'évolution des marques. Il ne s'agit pas seulement d'une base de données statique, mais d'un système dynamique (comme un cerveau !) qui s'assure que les informations de votre marque restent à jour partout où les clients effectuent des recherches. C'est un peu comme avoir un assistant ultraintelligent qui se charge de tout pour vous, vous donnant les moyens de vous consacrer au plus important : la satisfaction de vos clients.

Les graphes de connaissances peuvent sembler complexes, et pourtant, ils améliorent les expériences de recherche en coulisse depuis plus de dix ans. Ils n'ont pas été créés en réponse à l'IA : ils constituent un élément fondamental de ce qui a permis aux algorithmes de recherche et aux grands modèles de langage (LLM) de répondre si efficacement aux questions formulées en langage naturel au cours des dix dernières années.

Et maintenant, alors que l'IA transforme la façon dont les internautes trouvent des informations, les graphes de connaissances n'ont jamais été aussi importants.

Que ce soit pour aider les clients à trouver le café ouvert le plus proche ou pour vérifier la disponibilité de produits, les graphes de connaissances permettent aux marques de fournir rapidement les bonnes réponses au bon endroit.

Vous souhaitez en savoir plus sur la manière de structurer vos données pour figurer dans les résultats optimisés par l'IA ? Cliquez ici.