Graph/RAG & NeSy AI : du doc brut au raisonnement

Speaker : Julien Brodier

== French version ==

Votre RAG répond à côté. Il hallucine des relations, confond deux entités homonymes, et ignore ce qui est écrit noir sur blanc.
Le problème n'est pas le LLM. C'est la représentation de la connaissance.
La recherche vectorielle seule trouve du similaire, pas du factuel.

Pour répondre à des questions qui exigent de relier des faits (qui détient quoi, qui a signé avec qui..), il faut structurer : entités, relations, ontologies, graphes.

On remonte toute la chaîne, du PDF brut jusqu'à l'inférence symbolique :

1. Extraire - OCR traditionnel vs VLM vs frameworks : que choisir, pour quels documents ?
2. Comprendre - NER avec LLM ou modèles spécialisés (spaCy, GLiNER) : coût, précision, latence
3. Structurer - construire un knowledge graph : granularité des concepts, synonymes/hypernymes, alignement sémantique, génération automatique d'ontologies (et RAG sur l'ontologie elle-même)
4. Stocker - Triple Stores RDF vs bases LPG (Neo4j) : deux philosophies, deux cas d'usage
5. Interroger - les familles de RAG (naïf, hybride, GraphRAG), rerankers, vector DBs et leurs différences, requêtes hybrides Neo4j combinant parcours de graphe déterministe et recherche par embeddings
6. Raisonner - IA neuro-symbolique : axiomes, logique du premier ordre, inférence symbolique, GNN, agents retrievers

Semantic GraphRAG où comment marier le meilleur des deux mondes : la souplesse des LLMs et la rigueur de l'IA symbolique.

Aucun prérequis en IA symbolique, on part de connaissance techniques basiques.

== English version ==

Your RAG keeps missing the point. It hallucinates relationships, mixes up two entities with the same name, and ignores what's written in black and white.
The problem isn't the LLM. It's how knowledge is represented.
Vector search alone finds what's similar, not what's factual.
To answer questions that require connecting facts (who owns what, who signed with whom...), you need structure: entities, relations, ontologies, graphs.
We'll walk up the entire chain, from raw PDF to symbolic inference:

1. Extract — traditional OCR vs VLMs vs frameworks: what to choose, for which documents?
2. Understand — NER with LLMs or specialized models (spaCy, GLiNER): cost, accuracy, latency
3. Structure — building a knowledge graph: concept granularity, synonyms/hypernyms, semantic alignment, automated ontology generation (and RAG over the ontology itself)
4. Store — RDF Triple Stores vs LPG databases (Neo4j): two philosophies, two use cases
5. Query — the RAG families (naive, hybrid, GraphRAG), rerankers, vector DBs and how they differ, hybrid Neo4j queries combining deterministic graph traversal with embedding-based search
6. Reason — neuro-symbolic AI: axioms, first-order logic, symbolic inference, GNNs, retriever agents

Semantic GraphRAG, or how to marry the best of both worlds: the flexibility of LLMs and the rigor of symbolic AI.
No background in symbolic AI required — basic technical knowledge is all you need.