Pourquoi l'ontologie est de nouveau importante à l'ère des LLM

Ontologie

Introduction

L'avènement des grands modèles de langage (LLM) a considérablement élargi l'interface et la portée des systèmes d'IA. Cependant, derrière le langage naturel fluide généré par les LLM, des limitations fondamentales subsistent. Le point essentiel est que les LLM sont forts dans les modèles de langage, mais intrinsèquement faibles en sémantique et en logique.

Pour remédier à cette limitation, le concept d'ontologie regagne de l'attention. Dans cet article, nous répondrons systématiquement aux questions suivantes :

Qu'est-ce qu'une ontologie et quel rôle joue-t-elle dans l'IA ?
En quoi une ontologie est-elle différente d'un graphe de connaissances ?
Graph RAG peut-il remplacer les ontologies ?
Où une ontologie doit-elle réellement être positionnée dans les services basés sur LLM ?

1. Qu'est-ce que l'ontologie : une « hiérarchie de sens », pas seulement des données

Une ontologie est un modèle sémantique qui définit explicitement les concepts, les relations et les règles utilisés dans un domaine spécifique. Elle ne se contente pas de stocker des données ou de définir des structures ; elle prescrit "comment comprendre ce monde."

Par exemple, dans le domaine médical, une ontologie définit des faits tels que :

Doctor ⊆ Person
Le sujet de la relation treats doit être de type Doctor.
Un Hospital est une Organization, pas une Person.

Ces définitions sont du bon sens pour les humains, mais pour les systèmes d'IA, ce sont des règles qui ne peuvent jamais être connues à moins d'être explicitement énoncées.

2. Pourquoi l'ontologie est importante dans l'IA

2.1 Raisonnement basé sur la sémantique

Les ontologies permettent à l'IA de déduire logiquement des faits qui ne sont pas explicitement énoncés.

Par exemple, supposons que les éléments suivants soient donnés :

A soigne B.
Le domaine de treats est Doctor.

Grâce au raisonnement basé sur l'ontologie, le système peut automatiquement déduire :

A est un docteur. A est une personne.

Un tel raisonnement est impossible avec l'apprentissage automatique traditionnel ou les LLM seuls.

2.2 Vérification de la cohérence et détection des erreurs

Les LLM génèrent souvent des affirmations plausibles mais incorrectes (hallucinations). Les ontologies servent de mécanisme pour bloquer structurellement cela.

Exemple :

« Une infirmière pratique une intervention chirurgicale. » → Violation des règles de l'ontologie → Immédiatement jugée comme une erreur.

Dans les domaines où les erreurs ne sont pas tolérables, tels que la médecine, le droit et la finance, il s'agit d'une différence décisive.

2.3 IA explicable (explicabilité)

En utilisant des ontologies et des graphes de connaissances, nous pouvons expliquer le cheminement logique du jugement d'une IA : « Pourquoi cette conclusion a-t-elle été tirée ? »

Cela va au-delà de la simple confiance de l'utilisateur et est directement lié aux questions de réglementation, d'audit et de responsabilité.

3. Ontologie vs. graphe de connaissances : la relation entre les plans et les bâtiments

Les ontologies et les graphes de connaissances sont souvent utilisés de manière interchangeable, mais leurs rôles sont clairement différents.

Catégorie	Ontologie	Graphe de connaissances
Rôle principal	Définition des concepts, des significations, des règles	Faits et instances réels
Nature	Abstrait, stable	Concret, dynamique
Exemple	« Les médecins sont des personnes »	« Le Dr Lee est un médecin »

Pour utiliser une analogie :

L'ontologie est le code de la loi ou un plan.
Le graphe de connaissances est la jurisprudence ou le bâtiment réel.

Un graphe de connaissances n'est que des données connectées sans ontologie, et une ontologie ne se connecte à la réalité que par le biais d'un graphe de connaissances.

4. Architecture standard à l'ère des LLM : où l'ontologie s'intègre-t-elle ?

La structure la plus stable dans les services d'IA modernes est une architecture hybride comme la suivante :

Ontologie, Architecture

Les principes fondamentaux de cette structure sont clairs :

LLM est l'interface de langage.
L'ontologie est le système de pensée.
Le graphe de connaissances est la mémoire.
Le raisonneur est le moteur logique.

Le LLM ne juge pas ; l'ontologie pense.

5. Graph RAG peut-il remplacer l'ontologie ?

Pour énoncer d'abord la conclusion :

Graph RAG peut « utiliser » les ontologies, mais il ne peut pas les « remplacer ».

5.1 Ce que Graph RAG fait bien

Recherche basée sur les entités et les relations
Extension de requête à l'aide de schémas de concepts
Exploration des documents et des nœuds connexes

Dans ces domaines, Graph RAG peut remplir une partie du rôle d'une ontologie légère.

5.2 Limites de Graph RAG

Cependant, Graph RAG ne fournit pas intrinsèquement :

Raisonnement automatisé basé sur la logique formelle
Vérification de la cohérence
Détection des violations de règles

En d'autres termes, Graph RAG peut « naviguer en suivant les significations », mais il ne peut pas « juger si la signification est logiquement correcte ».

5.3 Solution optimale réaliste

La structure la plus couramment adoptée dans la pratique est :