Associer modèle de langage et ingénierie d'ontologie : une étude de cas et perspectives - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2024

Associer modèle de langage et ingénierie d'ontologie : une étude de cas et perspectives

Maxence Gagnant
Jérome Picault
  • Fonction : Auteur
  • PersonId : 1369759
Sana Tmar
  • Fonction : chef de projet

Résumé

Large Language Models (LLMs) have opened the door to the massive exploitation of textual data sources. Their powerful ability to generalize allows them to be used in a wide range of situations involving interaction with humans. However, they suffer from a lack of reliability due to the phenomenon of hallucination and the opacity of their process. Knowledge Graphs (KGs) offer a structured approach to information. Their results are reliable and explainable, although their construction is more laborious than the training of LLMs. While these techniques appear to be complementary for the purposes of representing and exploiting knowledge, their hybridization is a subject that still needs to be investigated in research. In this study, we present the work carried out at the Technological Research Institute SystemX on hybridization between language models and knowledge graphs, applied to the industrial use case of RTE. RTE operators manage the French electricity network, and are responsible for taking the appropriate decisions in case of an event or incident. Events are reported in textual form in specific reports. However, the growing complexity of the network is making these tasks increasingly difficult to manage. Therefore RTE has a need for a decision support and report generation system. The artificial intelligence solution presented is based on an ontology that acts as a semantically enriched knowledge graph. It enables logical reasoning to be performed on the knowledge built up and simplifies the representation of information. In order to speed up the ontology construction work, the solution is based on NLP information extraction systems, using LLMs to extract information from existing RTE reports in few-shot mode. The data is semantically enriched by linking it to external Knowledge Bases such as Wikidata, and is manually validated to produce an ontology describing the field of application.
Les modèles de langage ou Large Language Models (LLM) ont ouvert la porte à l'exploitation massive de sources de données textuelles. Leur puissante capacité à généraliser rend leur utilisation possible dans de nombreux cas d'usage en interaction avec l'humain. Cependant, ils souffrent d'un manque de fiabilité à cause du phénomène d'hallucination et de l'opacité de leur fonctionnement. De leur côté, les graphes de connaissances ou Knowledge Graphs (KG) offrent une approche structurée de la connaissance. Leurs résultats sont fiables et explicables, bien que leur construction soit plus laborieuse que l'apprentissage des LLM. Alors que ces techniques semblent complémentaires pour les objectifs de représentation et d'exploitation de la connaissance, leur hybridation est un sujet encore peu exploré dans la recherche. Dans cette étude, nous présentons le travail réalisé à l'IRT SystemX sur l'hybridation entre des modèles de langage et des graphes de connaissances, appliquée au cas d'usage industriel de RTE. Les opérateurs de RTE gèrent le réseau électrique français, et sont chargés de prendre les décisions adaptées en cas d'incident. Les événements sont rapportés de manière textuelle dans des rapports spécifiques. Or, la complexité croissante du réseau rend ces tâches de plus en plus difficiles à gérer. Ainsi, il devient nécessaire pour RTE de faciliter la prise de décision en matière d'intervention grâce à un système d'aide à la décision et de génération de rapports. La solution d'intelligence artificielle présentée se base sur une ontologie faisant office de graphe de connaissances sémantiquement enrichi. Elle permet d'effectuer des raisonnements logiques sur les connaissances construites et simplifie la représentation des informations. Afin d'accélérer le travail de construction de l'ontologie, la solution se base sur des systèmes NLP d'extraction d'information, faisant usage de LLMs pour extraire en few-shot les informations présentes dans les rapports de RTE existants. Les données sont enrichies sémantiquement en faisant le lien avec des Knowledge Graphs externes comme Wikidata et sont validées manuellement afin d'aboutir à une ontologie décrivant le domaine d'application. Nous partagerons également nos travaux en cours. À l'heure actuelle, notre projet explore l'usage d'algorithmes d'apprentissage sur graphe pour élaborer des axiomes qui formalisent la criticité des événements dès leur apparition, offrant ainsi une aide à la décision. De plus, nous envisageons la génération de rapports à partir de graphes de connaissances enrichis avec des données de simulations de RTE, répondant ainsi aux attentes des opérateurs.
Fichier non déposé

Dates et versions

hal-04527942 , version 1 (31-03-2024)

Licence

Copyright (Tous droits réservés)

Identifiants

  • HAL Id : hal-04527942 , version 1

Citer

Maxence Gagnant, Abdelhadi Belfadel, Matthieu Dussartre, Laure Crochepierre, Jérome Picault, et al.. Associer modèle de langage et ingénierie d'ontologie : une étude de cas et perspectives. Workshop HyCHA'24 (Hybridation Connaissances, Humain et Apprentissage Statistique), Mar 2024, Gif-sur-Yvette, France. ⟨hal-04527942⟩

Collections

IRT-SYSTEMX
10 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More