Rencontre du mois d'octobre (Paris, 1 octobre 2024)

Mardi 1 octobre (de 17h à 19h)
Paris

Horaire:
16:30-17:00 Boissons, friandises et réseautage
17:00-19:00 Présentations
19:00-20:00 Cocktail et réseautage

-------------------------
Notre-Dame de Paris : Génération automatique de taxonomies SKOS avec LLM.
Anaïs Guillem
IR UPR 2002 CNRS MAP, Projet ERC nDame_Heritage; PhD candidate LMU Munich.

La reconstruction de la cathédrale Notre-Dame de Paris, après l’incendie de 2019, a mobilisé de nombreux corps de métier spécialisés dans la restauration du patrimoine historique et architectural. Les interventions de chaque corps de métier ont été rassemblées dans une immense base de connaissances ; ce qui pose des problèmes d'intégration de ces données hétérogènes. Dans cette présentation, nous aborderons la structuration au niveau de la taxonomie et des concepts.

Cette présentation illustre comment les grands modèles de langage (LLM) peuvent être utiles pour la curation de thésaurus avec des données du monde réel en appliquant une méthodologie d'intelligence artificielle neuro-symbolique (NeSy AI). L'aspect d’apprentissage automatique profond utilise la capacité des LLM à discriminer et à catégoriser le vocabulaire spécialisé. L'aspect symbolique réside dans la structuration des résultats dans une base de connaissances, formalisé en SKOS.

Le résultat est un ensemble de jeux de données de référence pour les domaines du patrimoine culturel et de la restauration-conservation: données initiales et le thesaurus en résultant, ainsi qu’une documentation de prompts, prompt patterns, prompt templates.

-------------------------
Cortex: un Data-Hub pour le Service de Santé des Armées.
Pauline Armary
Scientifique des données, Anabasis Assets

Le projet Cortex initie la mise en place d'un Data Hub au sein du Service de Santé des Armées (SSA) du ministère des armées afin de réunir les informations dispersées dans les différents systèmes d'information. Ce hub a pour but de servir les différents métiers des services de santé, aussi bien des opérationnels en charge du suivi des patients que des épidémiologistes dans l'analyse des facteurs d'impact.

Cette présentation illustre comment rendre les données accessibles à différents services tout en respectant les règles de confidentialité. Elle montre comment il est possible d'exploiter une ontologie pour réaliser une gestion fine des droits d'accès des utilisateurs et de rendre les données accessibles en clair ou en version anonymisée selon les besoins.

-------------------------
Assistance au conseil sur les avantages sociaux - société l'Atout.
Nicolas Verschaeve, directeur des partenariats, l'Atout
Jean-Patrice Glafkidès, directeur, DataValoris

L’Atout offre des services et du conseil autour des avantages sociaux. L’objectif du projet est de disposer d’un service d’assistance aux consultants, et entreprises sur les avantages sociaux, leur impact vis à vis des salariés, leur impact fiscal, et l’optimisation des avantages sociaux mis en place dans l’entreprise.

Nous présenterons une première version d’un projet d’assistant basé sur un graphe de connaissance géré dans GraphDB et sur l’intégration avec le LLM GPT réalisé par Ontotext dans le projet “Talk to your graph”.

-------------------------
Interrogation de diagrammes SysML en langage naturel via un RAG alimenté par des graphes de connaissances.
Yan Bodain
Architecte de solutions, Ontotext

Le SysML (Systems Modeling Language) est un langage de modélisation graphique conçu spécifiquement pour l'ingénierie des systèmes complexes. Il permet de représenter, d'analyser et de communiquer la structure, le comportement, les exigences et les relations entre différents composants d'un système, qu'il s'agisse de matériel, de logiciel, de personnes ou de processus.

Cette présentation illustre comment il est possible de transposer des informations d'un modèle SysML v2 (Systems Modeling Language version 2) dans un graphe de connaissances RDF. Ces connaissances peuvent être bonifiées par des inférences ou d’autres sources de données avant d’alimenter un LLM dans une architecture RAG.

Cette présentation démontre ainsi que des utilisateurs peuvent directement effectuer des requêtes en langage naturel sur des données issues de diagrammes SysML tout en bénéficiant de relations plus larges issues d’un graphe de connaissances.