ÉTUDE DE CAS / 01
Rendre la recherche d'un institut interrogeable, sans que le modèle n'invente les réponses.
Un chatbot qui répond avec les publications, chercheurs et brevets de l'institut — jamais au hasard.
- RÔLE
- Conception IA et ingénierie du raisonnement
- PÉRIMÈTRE
- Modélisation d'ontologie · RAG · Raisonnement contraint par graphe
- STATUT
- En développement
- ANNÉE
- 2026
CONTEXTE
Le problème
La recherche produite par l'institut — publications, chercheurs, brevets — reste difficile à explorer pour qui ne connaît pas déjà où chercher. Un chatbot LLM classique répondrait vite, mais sans garantie que la réponse soit vraie ni traçable jusqu'à sa source.
RÉPONSE
La réponse
Modélisation d'une ontologie de la recherche de l'institut, puis mise en place d'un raisonnement contraint par le graphe (Graph-Constrained Reasoning) : le modèle ne répond qu'en s'appuyant sur les entités et relations réellement présentes dans le graphe, retrouvées par recherche sémantique.
FLUX
Du besoin à la réponse
- 01
Interroger
L'utilisateur pose une question en langage naturel.
- 02
Rechercher
Recherche sémantique dans le graphe de connaissance de l'institut.
- 03
Contraindre
Le raisonnement est limité aux entités et relations retrouvées.
- 04
Répondre
Une réponse fiable, traçable jusqu'à ses sources.
SYSTÈME
Pipeline de raisonnement
Ingestion, agents, mémoire, réponse — le raisonnement reste contraint au graphe à chaque étape.
ARBITRAGES
Décisions de conception
Ontologie avant prompt
Structurer le domaine dans un graphe plutôt que de tout confier au prompt engineering.
Raisonnement contraint
Limiter volontairement l'espace de réponse pour réduire les hallucinations.
RÉSULTATS
Ce que ça change
- Des réponses ancrées dans des sources réelles, et non générées librement.
- Une recherche institutionnelle enfin interrogeable en langage naturel.
PROJET SUIVANT
E-OPS