Deterministic Reasoning Graph (DRG) : Un Nouveau Paradigme pour Structurer l’Information

I. Introduction au DRG

Le Deterministic Reasoning Graph (DRG) propose une approche innovante pour organiser l’information en éliminant l’indéterminisme grâce à une structuration explicite des raisonnements. Contrairement aux approches probabilistes, le DRG garantit une précision non probabiliste en enregistrant les schémas de raisonnement et de décision d’un domaine dans un graphe. Ce paradigme sert de fondation à divers usages, comme la récupération de raisonnements, la génération contrôlée ou encore la prise de décision automatisée par des agents.

Ce que le DRG n’est pas

Le DRG se distingue clairement de plusieurs concepts existants :

Il ne s’agit pas d’une nouvelle architecture de modèle de langage (LLM).
Ce n’est pas un algorithme d’apprentissage.
Il ne prétend pas être une solution universelle de généralisation.

II. Cas d’usage du DRG

Le DRG offre une structure flexible pour de multiples applications. Voici quatre cas d’usage principaux, bien que non exhaustifs :

1. CoRG (Chain of Reasoning Graph)

Le CoRG est une version structurée du Retrieval-Augmented Generation (RAG), spécifiquement adaptée aux besoins métiers. Il repose sur une Chain of Tasks (chaîne de tâches), un enchaînement d’inférences où la première étape consiste en une classification du contexte par un modèle de langage (LLM). Cette classification génère un label utilisé pour effectuer des requêtes dans une base de données graphe. Le contexte récupéré est ensuite injecté dans un prompt tuning dynamique avant une seconde inférence, garantissant ainsi un résultat cohérent grâce au parcours déterministe du graphe.

2. Discriminator

Le DRG peut être utilisé comme un discriminator pour vérifier la cohérence des sorties d’un LLM en s’appuyant sur un graphe logique. Cette approche permet de valider les résultats en fonction de règles prédéfinies, renforçant la fiabilité des réponses générées.

3. Générateur de dataset

En appliquant un raisonnement structuré en amont, le DRG garantit la cohérence des datasets générés pour un domaine spécifique. Cela permet de produire des données fiables et adaptées aux besoins métier ou scientifiques.

4. Agent conversationnel et décisionnel

Les agents conversationnels et décisionnels exploitent le DRG pour automatiser des processus à l’aide d’arbres de raisonnement et de décision. Contrairement au RAG, qui se concentre sur la récupération d’informations, le DRG récupère à la fois le raisonnement et les décisions de l’agent, offrant une approche plus complète et structurée.

III. Fonctionnement du CoRG et des agents conversationnels

1. Principe du CoRG

Le CoRG repose sur une classification initiale du contexte par un LLM, suivie d’une requête dans une base de données graphe. Le contexte ainsi récupéré est intégré dynamiquement dans le prompt du LLM pour la génération de l’output. Ce processus, basé sur un parcours de graphe déterministe, garantit des résultats fiables. Pour optimiser la précision, un fine-tuning du LLM est nécessaire, prenant en compte les nœuds, relations et clusters du graphe.

2. Architecture des agents conversationnels

Dans une architecture agentique, le CoRG se distingue du RAG par sa capacité à encoder non seulement les informations, mais aussi les raisonnements et décisions. Chaque agent s’appuie sur une structure DRG qui encode des relations sémantiques complexes, telles que :

Déclenché après : pour gérer les dépendances temporelles ou séquentielles.
Hérite de : pour réutiliser des schémas de raisonnement existants.
Modulé par : pour adapter le comportement en fonction de conditions spécifiques.
Valide : pour confirmer la conformité des décisions.

Ces relations permettent de transformer un système en un graphe logique contrôlable, réutilisable et sans ambiguïté, contrairement à des approches comme LangGraph, qui repose sur un routage conditionnel plus simple (if, match, switch) et moins granulaire.

IV. Comparaison avec LangGraph

Le DRG se distingue de LangGraph par sa granularité et sa flexibilité :

Type de routage : Le DRG utilise un routage sémantique et contextuel, contrairement au routage conditionnel explicite (basé sur des valeurs ou booléens) de LangGraph.
Logique : Alors que LangGraph se limite à des arbres de décision, le DRG applique ces arbres à un graphe, supprimant ainsi les limitations algorithmiques et offrant une structure plus riche.

V. Conception du DRG

1. Collaboration avec les experts métier

Le graphe DRG est conçu en collaboration avec des équipes métier ou des experts scientifiques, selon une ontologie propre à chaque domaine. Cette approche garantit que le LLM raisonne de manière explicite et conforme aux besoins spécifiques du cas d’usage.

2. Contraintes et précision

En structurant les raisonnements dans un cadre non probabiliste, le DRG impose des contraintes qui forcent le LLM à suivre une logique métier précise. Cela réduit les ambiguïtés et améliore la fiabilité des résultats.

VI. Conclusion

Le Deterministic Reasoning Graph (DRG) représente une avancée significative dans l’organisation de l’information et la structuration des raisonnements. En combinant des graphes logiques avec des modèles de langage, le DRG ouvre la voie à des applications robustes, telles que le CoRG et les agents conversationnels/décisionnels, tout en offrant une alternative plus granulaire et contrôlable à des solutions comme LangGraph. Grâce à sa capacité à encoder des relations sémantiques complexes et à collaborer avec des experts métier, le DRG garantit des résultats précis et adaptés à des besoins spécifiques.