Contexte et problème initial
Imago Platform Ltd. a été créée il y a 18 mois pour aider les entreprises à extraire des réponses précises à partir de documents volumineux. Son premier client, un distributeur d’éclairage et d’électricité, devait gérer des réclamations de garantie provenant de fabricants aux politiques très hétérogènes. L’entreprise a d’abord ingéré des centaines de PDF dans un modèle d’IA génératif, mais le système ne pouvait pas garantir une exactitude de 100 %. Les réponses, bien que plausibles, étaient souvent erronées, ce qui a conduit le co‑fondateur Magnus Helander à qualifier la performance d’« insuffisante » pour les exigences du client.
Adoption de Neo4j et architecture graph‑centrée
En rejoignant le Neo4j Startup Program, Imago a intégré une base de données graphe pour structurer les connaissances métier. La plateforme relie désormais les systèmes CRM, ERP, les courriels et les documents PDF dans un graphe de nœuds et de relations. Chaque entité (produit, fabricant, clause de garantie) devient un nœud, tandis que les liens (« appartient à », « couvre », « est lié à ») permettent de naviguer contextuellement. Cette modélisation a permis de remplacer les requêtes purement textuelles par des traversées de graphe, où le moteur d’IA reçoit un sous‑ensemble de données explicitement reliées à la question posée.
Le même principe alimente le « product finder » destiné aux concessionnaires automobiles : l’utilisateur décrit ses besoins (ex. : trois enfants, longs trajets) et le graphe calcule les correspondances en fonction de critères tels que capacité, consommation et budget. Sans la capacité de représenter ces relations, le moteur de recherche aurait dû se contenter de filtres statiques, limitant la pertinence des recommandations.
Impact sur la précision et la traçabilité
Le passage à une architecture graph‑centrée a éliminé les hallucinations courantes des modèles probabilistes. En fournissant un contexte explicite – par exemple, « la garantie du modèle X couvre les défauts de batterie pendant 24 mois » – l’IA ne génère plus de réponses inventées, car elle doit s’appuyer sur des nœuds vérifiables. Helander indique que le modèle « livre des résultats corrects encore et encore », ce qui correspond à une amélioration mesurable de la précision, même si aucun pourcentage exact n’est communiqué.
Neo4j ajoute également une couche d’observabilité. Chaque interaction de l’agent IA crée un nœud représentant l’étape de traitement, ce qui permet de reconstruire le chemin de décision dans un environnement Kubernetes où les processus sont habituellement opaques. Cette traçabilité répond aux exigences de conformité et facilite le débogage en identifiant rapidement les points où le modèle aurait pu dériver.
Limites et perspectives
Bien que le graphe améliore la fiabilité, la solution dépend toujours de la qualité de l’ingestion des documents source. Les PDF mal structurés ou les métadonnées manquantes peuvent entraîner des nœuds incomplets, limitant la couverture du graphe. De plus, la mise en place d’un tel schéma nécessite une modélisation initiale coûteuse en temps, surtout pour des entreprises disposant de multiples systèmes hétérogènes. Enfin, l’approche reste centrée sur des cas d’usage où les relations entre entités sont clairement définies ; les domaines plus abstraits, comme la génération de texte créatif, bénéficient moins de ce type d’enrichissement.
