Knowledge Graph

Knowledge Graph est un noyau sémantique au-dessus des données existantes de l’opérateur : documents, configurations, catalogues produits et tarifaires. Il relie des informations dispersées en une vue unique et montre la source de chaque réponse. Rien n’est déplacé ni réindexé : les index de recherche existants (par exemple AWS Bedrock Knowledge Base) sont connectés en lecture seule, et le graphe ajoute par-dessus relations, structure et provenance. C’est la couche de connaissance d’Agent Fabric-T et un produit à part entière pour d’autres plateformes d’agents et d’automatisation.

Ce que cela apporte à l’opérateur

• Des réponses fiables Chaque réponse est fournie avec sa source et le propriétaire des données : les décisions reposent sur des faits plutôt que sur des suppositions.
• L’impact avant le changement Vous voyez ce qui changera ou cassera si un tarif, une règle tarifaire ou un processus change — avant la mise en production.
• Les investissements dans la recherche restent utiles Les index existants restent en place et sont connectés en lecture seule, sans migration ni réindexation.
• Un langage de processus commun Le graphe parle le langage des groupes verticaux eTOM — Fulfillment, Assurance, Billing — compréhensible par toute l’entreprise.
• Une responsabilité visible Chaque élément indique son propriétaire et qui en est responsable, ce qui simplifie la gouvernance des données et les décisions.
• Cohérence entre BSS et OSS Un noyau sémantique unique supprime les écarts d’interprétation des mêmes données entre systèmes distincts.
• Une prise de poste plus rapide Un nouveau collaborateur interroge le graphe en langage naturel et entre plus vite dans le contexte.
• Un socle pour les agents L’agent Product Offering AI puise dans le graphe sa connaissance du modèle tarifaire ; pour les agents de fulfillment, d’assurance et de billing, le même graphe peut servir de contexte : des relations exactes plutôt que des paragraphes qui se ressemblent.

La recherche textuelle répond à « où est-ce écrit » ; le graphe répond à « comment est-ce réellement relié ». Les deux se complètent : la recherche trouve l’entité de départ à partir d’une formulation libre, et le graphe en ouvre précisément les relations.

Product Offering AI : le knowledge graph dans un chat AI

Le knowledge graph est en service dans Product Offering AI — l’application de chat AI de la plateforme pour les packages tarifaires de WideCoup Convergent BSS. Un configurateur tarifaire charge son fichier de modèle d’import et modifie le package dans le tableau du chat ou en langage naturel via l’agent. L’agent puise sa connaissance des colonnes du modèle, des valeurs autorisées et des codes dans le knowledge graph plutôt que dans un texte intégré à l’application ; l’application vérifie chaque modification au regard des règles du modèle. Use case : un assistant AI pour le product offering.

• Des questions en langage naturel « Comment modifier l’abonnement ? », « Comment augmenter le trafic inclus dans l’abonnement ? », « Comment configurer un forfait de trafic de test pour une activation différée du service ? » — réponses tirées du tableau et de la connaissance du modèle dans le graphe.
• Des modifications en langage naturel « +10 % sur les prix hors forfait », « pour le service de données hors forfait, augmenter le volume inclus de 200 Mo », « passer la devise du package en EUR » — l’agent convertit dans les unités du modèle, modifie les bonnes lignes et montre exactement ce qui a changé.
• Contrôle des règles du modèle Chaque modification est vérifiée au regard des règles du modèle : une violation la bloque avec un motif et une indication, un cas douteux passe avec un avertissement ; lorsqu’une personne modifie directement une cellule ou nomme la colonne, un refus devient un avertissement.
• Contrôles Revenue Assurance Le graphe décrit les contrôles de risque de revenus du package. Les contrôles qui ne nécessitent qu’un seul fichier — concessions tarifaires et montants bruts ronds — s’exécutent au chargement et à la validation, avec un avertissement rouge, le code et l’emplacement dans la ligne.
• Impact d’une modification de colonne Le graphe porte les contrôles de configuration du package sous forme de structure : de quelle règle découle un contrôle, quelles colonnes il lit, dans quels types de lignes, sa classe de risque et son message au configurateur. Ainsi, « quels contrôles une modification de cette colonne touchera-t-elle à la validation » trouve sa réponse dans les arêtes, et à la validation les contrôles s’exécutent d’eux-mêmes.
• La décision reste humaine L’agent crée une nouvelle version de travail mais ne valide jamais : une personne approuve la version validée, chaque version reste dans l’historique du package, et l’utilisateur télécharge le fichier pour l’import dans le BSS.
• La connaissance change dans le graphe La connaissance des colonnes, des valeurs autorisées et des codes change dans le graphe, et non dans l’application ; chaque release du graphe porte une version et l’approbation du rôle de propriétaire des données.

Réseau et services

• Du service client à la ressource réseau Le graphe peut relier les services orientés client aux ressources réseau : décomposition Customer Facing Service (CFS) et Resource Facing Service (RFS), inventaire et topologie sur modèles YANG, et les dépendances entre eux. Cette approche fournit une base pour l’analyse d’impact et l’automatisation, du produit jusqu’à la livraison du service.
• Topologie, services, SLA et politiques ensemble Une couche sémantique unique au-dessus des données opérationnelles : une conclusion s’explique par son chemin à travers les relations et a une source.
• Un modèle de réseau qui ne part pas de zéro Le modèle de domaine repose sur une ontologie de référence Autonomous Networks alignée sur TM Forum Autonomous Networks, 3GPP et TM Forum SID (Shared Information/Data).
• L’orientation du TM Forum Le TM Forum décrit le graphe comme la couche de mémoire et de raisonnement pour l’auto-réparation des réseaux — de la panne à l’impact client et à l’action corrective, avec un MTTR (Mean Time to Repair) réduit et une automatisation explicable — dans IG1373F « AI-Augmented Knowledge Graph for 5G Networks ».

Fonctionnement

• Pour les personnes — des notes liées La connaissance vit sous forme de notes markdown liées entre elles, dans une vue compatible avec Obsidian : un ingénieur lit et suit les liens, et le graphe conserve l’emplacement de chaque note et sa version.
• Pour la GenAI — des requêtes, pas de l’analyse de texte Un modèle interroge la structure en SPARQL et ne récupère que le texte nécessaire à une réponse, au lieu d’analyser à chaque fois des documents entiers : moins de tokens par réponse.
• Grounding Une requête en texte libre est rapprochée des entités typées de l’opérateur — services, ressources, processus. Lorsque des candidats sont proches mais relèvent de domaines différents, le graphe signale l’ambiguïté et le chat pose une question de clarification.
• Confiance dans chaque énoncé Un énoncé du graphe a une source — un fragment de document avec une empreinte de contenu —, des preuves décrites selon plusieurs dimensions (authenticité, autorité, fraîcheur, corroboration, statut de validation) et la trace de qui l’a confirmé et quand. La fraîcheur est vérifiée au niveau du fragment : une modification en page 200 ne rend pas obsolète un fait de la page 5. Une confirmation révoquée reste dans l’historique.
• Deux types de connaissance La connaissance livrée avec une release produit est versionnée et porte une décision de release ; les faits acquis dans le parc de l’opérateur conservent qui les a enregistrés et quand. Une mise à jour produit n’écrase pas ce qui appartient à l’opérateur.
• Des rôles, pas des noms Un propriétaire dans le graphe est un rôle ; son titulaire est enregistré séparément, de sorte que les changements de personnel ne cassent pas le graphe.
• La frontière de l’organisation Les annotations internes ne quittent pas l’organisation : un export les écarte par type.
• Des standards W3C ouverts Le graphe est décrit en RDF et en Web Ontology Language (OWL), échangé en Turtle, ses chargements sont vérifiés par des formes Shapes Constraint Language (SHACL) et il est interrogé en SPARQL.
• Le chat ne fait que lire Le chat lit le graphe via une interface distincte en lecture seule et ne le modifie pas.

Périmètre de la solution

• Knowledge Graph est utilisé dans Product Offering AI — l’application de chat AI pour les packages tarifaires de WideCoup Convergent BSS ; pour les autres domaines, le graphe est construit dans le projet sur les données de l’opérateur.
• Le modèle des services et ressources réseau sur modèles YANG est construit dans le projet sur les données de l’opérateur.
• La taxonomie TM Forum eTOM est intégrée à l’ontologie du graphe.
• Les index de recherche externes restent en lecture seule : nous ne les possédons ni ne les modifions.
• Les agents de fulfillment, d’assurance et de billing au-dessus du graphe sont un scénario cible dont le périmètre est convenu dans le projet.
• Les contrôles Revenue Assurance qui lisent l’ensemble de la pile du package — un tarif au kilooctet incohérent avec le package, un tarif élevé rendu inaccessible par une configuration erronée, un déséquilibre entre l’abonnement et le tarif de pénalité — sont un scénario cible dont le périmètre est convenu dans le projet.

L’étape suivante est un pilote sur un ensemble limité de vos données, pour mesurer la valeur du graphe pour le métier et pour les agents sur votre propre exemple.

Spécification

L’ontologie, le module de confiance, le contrat d’ingestion et les vocabulaires sont publiés comme référence pour l’intégration et la vérification.

• Ontologie L1 — classes, prédicats, vocabulaires et taxonomie eTOM
• Module de confiance — énoncés avec source, preuves et confirmation
• Contrat d’ingestion
• Vocabulaires des valeurs autorisées

En savoir plus sur platform.mef.dev

• Knowledge Graph — ce que permettent les arêtes typées
• Graphe et recherche ensemble