Graphes de connaissances avec Neo4j

Neo4j, Inc. All rights reserved 2021
Graphes de connaissances avec Neo4j
Comment le contexte dynamique transforme l’entreprise
Webinaire Neo4j, 25 août 2021
Nicolas Rouyer
Sr Pre-Sales, Neo4j, France

Deux-tiers
des clients Neo4j ont mis en oeuvre
un graphe de connaissances
88%
des CXOs pensent que les graphes de
connaissances vont considérablement
améliorer leurs résultats financiers
Pulse Survey, 2020
Chaque
projet Neo4j Graph Data Science
commence par
un graphe de connaissances
Customer Segmentation Analysis, 2020

3
Un graphe de connaissances est
un ensemble de données
interconnectées
enrichi sémantiquement* afin que
nous** puissions raisonner sur les
données sous-jacentes et les
utiliser en toute confiance pour
prendre des décisions complexes.

4
La Création de Valeur dans les Données
avec les Graphes de Connaissances
Données Graphe
Contexte Dynamique
Graphe de Connaissances
Contexte Dynamique Profond

5
Qu’est-ce que la Sémantique ?
Résolution d’Entités
& Analyse
Classification
& Tagging
Intelligence
Artificielle
C O M P L E X I T É
Anneaux de synonymes Taxonomie Thésaurus Ontologie
Terminologies structurées

6
ACTIONING
DATA ANALYTICS
DATA MANAGEMENT
DECISIONING
Aggregate Validate Govern Explore Deduce Infer Forecast Predict Prescribe
DATA ASSURANCE DATA INSIGHT
GRAPH-BASED
ANALYTICS
GRAPH-BASED
MACHINE LEARNING
TECHNOLOGY
USE
CASES
BUSINESS
USE
CASES
Data Governance
Data Compliance
Risk Management
Augmented MDM
X-Journey Analytics
Churn Analysis
Fraud
Risk Analysis
Track & Trace
Next Best Action
What-If Analysis
Impact Analysis
X-360
X-Journey
X-Discovery
Recommendation
Personalization
Anti-Money Laundering
Identity & Access Mgmt
Network & IT Operations
Root Cause Analysis
Entity Resolution
KG Completion
Predictive Models
Data Catalog
Data Lineage
Data Provenance
Path-Finding
Community Detection
Influencer Identification
Similarity
Graph-Based Search
Link Prediction
Node Classification
Feature Engineering
Data Fabric

7
Spectre de Cas d’Utilisation du Graphe de Connaissances
ACTIONING
DATA ANALYTICS
DATA MANAGEMENT
DECISIONING
Aggregate Validate Govern Explore Deduce Infer Forecast Predict Prescribe
DATA ASSURANCE DATA INSIGHT
GRAPH-BASED
ANALYTICS
GRAPH-BASED
MACHINE LEARNING
Data Governance &
Compliance
Risk Management
Identity & Access
Management
X-360
Entity Resolution
Feature Engineering
Knowledge Graph
Completion
Predictive Models
Fraud
Anti-Money Laundering
Recommendation
Personalization
Network and IT Ops
Root Cause Analysis
Impact Analysis
X-Discovery
X-Journey
Churn Analysis
What-If Analysis
Data Lineage

8
Les Composants Logiciels Neo4j pour le Graphe de Connaissances
Neo4j Bloom
Visualization
Neo4j Graph
Data Science
GRAPHE DE CONNAISSANCES
COMPOSANTS LOGICIELS
Neo4j Knowledge Graph Workbench

9
DATA LAKES
9
CAS D’USAGE
INGESTION
Les Graphes de Connaissances Connectent l'Écosystème IT
Apache
Spark
Apache
Hop
Structured
Unstructured
DATA
ANALYTICS
DATA
MANAGEMENT
Route Optimization
Risk Identification
Churn Analysis
What-if Analysis
Feature
Engineering
Recommendations
X- 360
Root Cause
Analysis
Data Compliance
Data Governance
Data Provenance
Data Lineage
Impact Analysis
Ontologies
Neo4j Bloom
Visualization
Neo4j Graph
Data Science
GRAPHES DE CONNAISSANCES
COMPOSANTS LOGICIELS
Neo4j Knowledge Graph Workbench
APOC
VISUALISATION
AUTO ML
DRIVERS & APIs
DATA ORCHESTRATION DATA CATALOG DATA CONSUMPTION

La Transformation par les Graphes de Connaissances :
Contexte Dynamique pour l’Entreprise Intelligente
De la Suppression des Silos.
A la Création d’un réseau de
données (Data Fabric)

Digital Twin for
the Win
Graphe de
Connaissances
“Actioning”
Graphe de Connaissances
“Decisioning”
Graphes de Connaissances
pour Transformer
Visibilité & Automatisation
pour Transformer
les Prédictions
pour Transformer
les Innovations
La Transformation par les Graphes de Connaissances :
Contexte Dynamique pour l’Entreprise Intelligente

12
Cas d’Usage des Graphes de Connaissances
Gestion des
connaissances
Moteurs de
recommandation
Machine
teaching

13
Neo4j Aura Enterprise is allowing us to realize our
vision to build a knowledge graph that unifies all
product knowledge to improve our retail
recommendations, search and merchandising.”
“
- Gaëtan Belbeoch’, Adeo

14
• Challenge: Il est difficile de faire des
recommandations à des utilisateurs
anonymes.
• Solution: Connecter les cookies du site et et
des sites tiers en utilisant des algorithmes de
graphes pour créer des profils uniques.
• Résultats :
○ 14B d’enregistrements anonymes
convertis en 163M de profils
utilisateurs uniques
○ Ces profils utilisateur - et les
recommandations personnalisées -
ont permis une augmentation de
612% du trafic web
Meredith Corp
Identifier les profils anonymes

15
ATPCO
Calcul de prix &
Recherche orientée-graphe
● Challenge: Modélisation de variables très
complexes d'itinéraire/de billetterie
● Solution: Utiliser Neo4j pour analyser les
tarifs des compagnies aériennes au travers
de l’écosystème mondial des compagnies
aériennes
● Résultats:
○ Le moteur de tarification est
maintenant au cœur de 5 services
ATPCO aux compagnies aériennes
○ Exposition de données utiles aux
startups via le programme
d’incubation de l’entreprise

US Army
Gestion de la logistique des
équipements
Contexte
● Une société américaine de conseil IT a aidé l'armée américaine à
rationaliser les déploiements et la maintenance des équipements.
● Sauver des vies en améliorant la préparation opérationnelle des
équipements de l'armée.
Challenge
● Moderniser les processus d'approvisionnement, de budgétisation et
de logistique pour les équipements et les pièces de rechange.
● Des millions de connexions entre les différentes nomenclatures.
● Améliorer les calculs de coûts « et si » lors de la planification des
missions et du déploiement des troupes.
● Les systèmes actuels nécessitaient plus de 60 heures de travail
manuel pour calculer les changements.
Résultats
● Réduction de 88 % des délais d'estimation des coûts,
● Amélioration des délais et de la précision de la livraison des pièces,
● Réduction de 77 % de la main d'œuvre pour effectuer les calculs,
● Coût total de possession des équipements plus prévisible.
16

Caterpillar
Fabrication d’équipements lourds
Contexte
● Fabricant d’équipement lourds classé dans Fortune 100.
● 27 millions de documents de garanties et de services.
Challenge
● Améliorer la prévisibilité des besoins de maintenance.
● Besoin d’une base de connaissances pour 27 millions de document
de garanties et demandes de maintenance.
● Prévoir quand l’équipement devra être entretenu et par qui. Les
graphes permettent à l’IA d’identifier les meilleures connexions
entre les pièces, les fournisseurs, les clients et les mécaniciens.
Resultats
● Création d’un graphe de connaissances avec le traitement du
langage naturel (NLP) qui regroupe les documents relatifs à des
décennies de garanties et de services.
● Ontologie commune pour les plaintes, les symptômes et les pièces.
● Anticipation du moment où l'équipement devra être réparé,
● Amélioration de la satisfaction du client et de l’image de marque,
● Maximisation de la durée de vie et la valeur des équipements.
17

18
• Challenge: Difficulté à identifier les composants en
cause via des analyses ad hoc sur une chaîne
d'approvisionnement intégrée verticalement
• Solution: Utiliser un graphe de connaissances
pour modéliser et analyser les produits complexes.
• Résultats:
○ Détermination rapide des causes
profondes des problèmes
○ Temps de réponse réduits de 2
minutes à 1 seconde
○ Anti-recommendation utilisant des
algorithmes de graphes pour identifier
et éliminer les mauvaises combinaisons
de composants
Boston Scientific
Recherche de composants défectueux

19
OrbitMI
Planification et Optimisation des Itinéraires
● Challenge: Le marché mondial du transport par
conteneurs représente près de 9 milliards d'€,
mais des itinéraires mal planifiés peuvent faire
perdre du temps, de l'argent et des ressources.
● Solution: OrbitMI utilise les algorithmes de
recherche de chemins de GDS pour planifier les
routes maritimes en fonction des distances, des
coûts et de la logique interne.
● Résultats:
○ GDS permet de planifier les routes
maritimes en moins d’1 seconde
○ La GDS soutient la plateforme
analytique SaaS d'OrbitMI, qui permet
aux utilisateurs d'augmenter leur
productivité de 60 %, d'obtenir un retour
sur investissement de 12 à 16 millions
d'euros et d'économiser plus de 60 000
tonnes d'émissions de carbone.

20

21
Méthodologie
1 2
Innover
Cas d’Usage pour connecter
Client, Catalogue,
Compétences & Conformité
Décrire
Cataloguer et décrire les
données dans une
taxonomie
3 4
Modéliser
Etablir les liens entre les
données, capitaliser dans un
modèle graphe. Superposer
la sémantique.
Peupler et utiliser
Alimentation du graphe.
Mise à disposition du pool
de connaissances

22
Démo
Graphe de connaissances COVID-19
Le CovidGraph fondé début 2020 est une
collaboration à but non lucratif de chercheurs, de
développeurs logiciel, de data scientists et de
professionnels de la santé. En avril 2021,
CovidGraph a intégré HealthECCO.
La plateforme de recherche et de communication
construite à partir du projet CovidGraph comprend
actuellement plus de 130 000 publications, ainsi
que des données statistiques, des référentiels de
gènes et de protéines, des données moléculaires,
etc. Tout cela constitue la base des projets actuels
et futurs de l'initiative HealthECCO.
Le CovidGraph compte aujourd’hui 36M noeuds,
60M relations, 100M propriétés

23
Ressources
Ressources sur les graphes
● Neo4j Knowledge Graph Homepage: neo4j.com/knowledge-graph
● White Paper: From Graphs to Knowledge Graphs: A Short Journey to Unlimited Insights
● Video: Advantages of Graph Technology | https://neo4j.com/videos/why-graph/
● Case Study: UBS | https://neo4j.com/case-studies/ubs-case-study/
● Case Study: Meredith Corporation | https://neo4j.com/users/meredith-corporation/
Les livres Neo4j
● Graph Databases For Dummies | https://neo4j.com/graph-databases-for-dummies/
● Graph Data Science For Dummies | https://neo4j.com/graph-data-science-for-dummies/
● O’Reilly Graph Algorithms | https://neo4j.com/graph-algorithms-book/

24
https://neo4j.com/use-cases/knowledge-graph/

25
Actualités Neo4j
Date Evénement
Juillet 󰏃 Vidéo Parlez à vos données connectées avec Neo4j et Prisme.ai
Juillet 󰏃 Vidéo Analyse des données de l’ATP Tour dans un graphe de connaissances
25 Août 󰏃 Webinar: Graphes de connaissances avec Neo4j
16 Sep. 🌍 Between Two Nodes: Siew Choo Soh
28 Sep. 󰏃 Atelier: Machine Learning Supervisé avec Neo4j
28-29 Sep. 󰏃 Conference: Big Data & AI Paris 2021

26
Merci !

Graphes de connaissances avec Neo4j

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Graphes de connaissances avec Neo4j

Similar to Graphes de connaissances avec Neo4j (20)

More from Neo4j

More from Neo4j (20)

Recently uploaded

Recently uploaded (20)

Graphes de connaissances avec Neo4j