Intelligence graphique est en train de devenir rapidement le tissu conjonctif manquant de l'entreprise : la couche de connaissances qui permet aux modèles de passer de prototypes intelligents à des systèmes fiables et décisionnels. En préservant les relations entre des données fragmentées, elle donne à l’intelligence artificielle le contexte nécessaire pour produire des réponses plus précises et soutenir une action éclairée.
Lors de l'événement Neo4j GraphTalk, la conversation ne portait pas sur un autre produit ponctuel. Selon John Furrier de CUBE Research, cela reflète un changement architectural plus large dans la manière dont les entreprises connectent les données et fournissent le contexte aux systèmes d'IA à grande échelle.
« Il s'agit d'un événement qui rassemble tous les initiés de l'industrie, les technologies et les clients pour parler des innovations en matière d'IA au niveau des graphes – ce qui constitue véritablement la sauce secrète de ce que nous voyons faire évoluer l'IA », a-t-il déclaré. « Ce sont des ontologies ; cela signifie obtenir des données rapidement, alimenter l'IA et disposer d'intelligence. Cela devient l'élément clé. »
Au cours de l'événement Neo4j GraphTalk et de la couverture post-événement, Furrier s'est entretenu avec les dirigeants, partenaires et clients de Neo4j Inc. lors d'une diffusion exclusive sur theCUBE, le studio de diffusion en direct de SiliconANGLE. Les discussions ont porté sur la manière dont les graphes de connaissances fondent les piles d'agents à grande échelle, sur la manière dont les cas d'utilisation en production démontrent la valeur des données connectées et sur la manière dont les partenariats accélèrent l'intelligence graphique sur toutes les plateformes. (* Divulgation ci-dessous.)
Voici trois informations clés que vous avez peut-être manquées lors de la couverture par theCUBE de l'événement Neo4j GraphTalk :
Insight n°1 : l’intelligence graphique ancre les agents dans une couche de connaissances d’entreprise.
À mesure que l’IA générative va au-delà de l’expérimentation, les entreprises convergent vers une architecture qui fonde de grands modèles de langage sur des données organisationnelles fiables. La couche de connaissances d'entreprise maintient l'ontologie, les données et la mémoire des agents d'une organisation en dehors du modèle, permettant à ces actifs de rester accessibles et gouvernés, selon Philip Rathle (photo), directeur technologique de Neo4j Inc.
« La couche de connaissances de l'entreprise est le grand sujet », a-t-il déclaré au CUBE. « GraphRAG décrit le modèle selon lequel un LLM fait appel à un graphe de connaissances afin que vous externalisiez vos connaissances dans leur contexte. Elles ne vivent pas dans le modèle. Elles vivent dans un système de connaissances. Et cela vous donne une meilleure précision, explicabilité et gouvernance. «
Des recherches indépendantes et des preuves concrètes fournissent la preuve de cette architecture. Le National Innovation Centre for Data du Royaume-Uni a découvert que GraphRAG rendait les agents 80 % plus « véridiques » que la récupération uniquement vectorielle, tout en leur permettant de répondre à plus de deux fois plus de questions et d'utiliser les jetons plus efficacement. Dans le cadre d'un récent engagement avec une agence fiscale nationale, les modèles graphiques ont apporté une valeur mesurable en exposant les connexions masquées dans les tableaux conventionnels, a noté Rathle.
« Quarante-huit heures après le début d'une POC, ils ont identifié plus de 100 millions de dollars de fraude fiscale », a-t-il déclaré lors de GraphTalk. « Si vous généralisez, si vous vous promenez avec vos oeillères parce que vous regardez ces données en 2D, vous présentez les données sous forme de graphique et tout d'un coup, toutes ces choses deviennent d'une évidence aveuglante, ce qu'avant vous ne pouviez tout simplement pas voir. »
Voici l'interview vidéo complète de theCUBE avec Philip Rathle :
Insight n°2 : le contexte connecté expose les risques cachés et guide l'action.
L’intelligence graphique révèle des relations que les outils conventionnels et les analystes humains peuvent manquer. Dans le travail anti-contrefaçon pharmaceutique de Gilead Sciences Inc., un modèle de détection à trois niveaux combine une logique basée sur des règles pour les modèles connus, un apprentissage automatique traditionnel pour les anomalies statistiques et des réseaux neuronaux graphiques pour les schémas de fraude basés sur les relations, selon Thomas Luu, directeur de la sécurité mondiale des produits chez Gilead.
« Grâce à la mise en œuvre de réseaux de neurones graphiques avec Neo4j, nous avons pu réellement faire apparaître ces réseaux cachés et nous permettre d'analyser nos données à un niveau et à une échelle qui n'étaient pas possibles auparavant en raison des limitations humaines », a déclaré Luu au CUBE. « La fraude ne se produit pas avec une seule transaction. Elle se produit dans de nombreuses entités, et beaucoup de ces entités sont cachées. »
L'intelligence graphique ne remplace pas les méthodes de détection de fraude existantes de Gilead ; cela ajoute une couche de relations qui fait apparaître ce que les règles et les anomalies statistiques ne peuvent pas faire, a noté Luu. Les algorithmes de clustering peuvent automatiquement connecter un acteur principal de la fraude avec des participants de moindre volume dont l'activité pourrait autrement rester cachée dans les données agrégées.
« Nous ne voulons pas nous fier uniquement à une seule technique », a déclaré Luu lors de l'événement. « Les règles sont géniales, le ML est génial, mais lorsque vous les combinez avec les GNN et la couche graphique, c'est à ce moment-là que vous commencez à voir des choses que vous n'auriez jamais pu voir auparavant. »
Voici l'interview vidéo complète de theCUBE avec Thomas Luu :
Le contexte connecté peut également fournir aux agents IA une base pour des enquêtes de sécurité plus autonomes. Icite Inc. normalise les données d'identité des clients dans une couche de connaissances basée sur des graphiques que les agents peuvent parcourir pour faire surface des connexions, établir des lignes de base comportementales et identifier les écarts, selon Wes Mullins, fondateur et PDG d'Icite.
« Nous pouvons commencer à sortir de manière autonome et à travailler pour l'équipe de sécurité », a-t-il déclaré au CUBE. « C'est vraiment l'objectif. Laissez les agents gérer le parcours de routine afin que vos analystes puissent se concentrer sur les décisions qui nécessitent réellement un jugement humain. »
Voici l'interview vidéo complète de theCUBE avec Wes Mullins :
Insight n°3 : L'intelligence graphique rend le contexte d'entreprise réutilisable et adaptatif.
Une couche d'intelligence partagée peut fournir une base réutilisable pour le développement d'agents dans les environnements de grandes entreprises. Dans le cadre du travail de chaîne d'approvisionnement de Microsoft Corp., la modélisation d'une nomenclature sous forme de graphique a permis aux équipes de préserver les relations et les métadonnées plutôt que de reconstruire ce contexte pour chaque agent, selon Jeevan Pathuri, vice-président de l'ingénierie logicielle chez Microsoft.
« Nous avons pu mettre en production 10 à 15 agents en quelques semaines », a-t-il déclaré. « Sans ce type d’intelligence connectée, nous aurions dû créer ces agents individuellement, les uns après les autres, en redécouvertant en quelque sorte les relations et les métadonnées en cours de route, au lieu de créer tout cela une seule fois et de le rendre disponible pour de nombreux scénarios. »
Voici l'interview vidéo complète de theCUBE avec Jeevan Pathuri :
CommonThread AI Inc. applique un principe similaire aux flux de travail de mise sur le marché, où des outils déconnectés fragmentent la segmentation, les profils clients idéaux, la messagerie et les données de marché. Une base de données graphique donne aux équipes une vue partagée de ces relations tout en permettant à leur contexte commercial plus large d'évoluer en fonction des conditions économiques, politiques et du marché, selon Tim Gosnell, PDG de CommonThread AI.
« La seule façon d'y parvenir est d'avoir une fenêtre contextuelle plus grande. Construisons cette fenêtre contextuelle plus grande », a déclaré Gosnell au CUBE. « Plus nous construisons cette fenêtre contextuelle plus large, plus nous comprenons ce qui se passe dans notre entreprise, puis nous continuons à le mettre à jour. À mesure que les choses changent, nous continuons à obtenir un contexte nouveau et adaptatif. »
Voici l'interview vidéo complète de theCUBE avec Tim Gosnell :
Voici la playlist vidéo complète de theCUBE, comprenant des interviews de l'événement Neo4j GraphTalk et la couverture post-événement associée :
https://www.youtube.com/watch?v=videoseries
(* Divulgation : TheCUBE est un partenaire média payant pour l'événement Neo4j GraphTalk. Ni Neo4j, le sponsor de la couverture de l'événement theCUBE, ni les autres sponsors n'ont de contrôle éditorial sur le contenu de theCUBE ou SiliconANGLE.)
