Présentation du contexte chez Intuit
Face à la multiplication des outils de sécurité et des lacs de données, Intuit a constaté que les requêtes SQL classiques généraient des jointures lourdes et des temps d’accès inacceptables. Selon Chad Cloes, staff software engineer, la société a donc adopté une couche de graphe de connaissances pour transformer ces silos en un référentiel unifié. Cette décision s’inscrit dans la stratégie globale d’Intuit visant à rendre les données exploitables en temps réel pour les agents d’intelligence artificielle, notamment les grands modèles de langage (LLM).
Architecture du Security Knowledge and Insights Platform
La plateforme repose sur un moteur de graphes qui ingère les flux provenant de multiples outils de sécurité et les relie via des arêtes sémantiques plutôt que par des jointures relationnelles. Le système expose ensuite une API GraphQL qui alimente les serveurs Model Context Protocol. Cette API permet aux développeurs d’interroger le graphe en langage naturel, ce qui élimine la nécessité de connaître la structure sous‑jacente. Cloes précise que le choix du SGBD (Neo4j ou autre) est secondaire ; c’est la discipline de modélisation qui garantit la pertinence des relations.
Impact sur les opérations de sécurité et l’intégration LLM
Avant l’adoption du graphe, le temps moyen de remédiation (MTTR) s’élevait à plusieurs jours, chaque analyste devant se connecter à sept systèmes distincts avec trois jeux d’identifiants différents. Après la mise en place du graphe, le même processus se déroule en quelques secondes, réduisant ainsi le MTTR de façon drastique. Le graphe fournit un contexte enrichi que les LLM – aujourd’hui ChatGPT, demain Amazon Bedrock – consomment directement via le Model Context Protocol, améliorant la précision des réponses et la traçabilité des décisions. Cette approche rend l’IA « explainable » : chaque recommandation peut être retracée à une chaîne de relations explicites dans le graphe.
Limites et perspectives d’évolution
Le principal défi réside dans la gouvernance des métadonnées : la qualité du contexte dépend de la rigueur de la modélisation initiale et de la mise à jour continue des arêtes. De plus, l’interopérabilité entre différents fournisseurs de LLM nécessite des adaptateurs de schéma, ce qui peut introduire une latence supplémentaire. À moyen terme, Intuit envisage d’automatiser la création de nouvelles relations à partir de flux d’événements en temps réel, et d’étendre le modèle à d’autres domaines fonctionnels, comme la conformité réglementaire, afin de répliquer les gains de MTTR observés dans la sécurité.
