La science derrière c:node.
Le c:node Graph est l'intelligence de c:node : une IA à graphe de connaissances qui rattache chaque affirmation à une source (terme technique : neuro-symbolique). Elle repose sur des modèles ouverts (open source) et s'enrichit à chaque cas. Il est conçu pour travailler de façon traçable plutôt que deviner — chaque affirmation liée à une source, chaque étape vérifiable. Cet article résume les preuves évaluées par les pairs qui le fondent : pourquoi les modèles de langage seuls ne suffisent pas quand l'enjeu est réel, pourquoi graphes de connaissances + règles comblent la lacune, et comment cela correspond aux exigences de l'EU AI Act.
1 Pourquoi les modèles de langage seuls ne suffisent pas quand l'enjeu est réel.
Les grands modèles de langage forment des phrases en prédisant le mot suivant statistiquement le plus probable. L'institut américain de normalisation NIST constate que les affirmations inventées (confabulations) sont inhérentes à leur conception — non pas un accident, mais une propriété de l'architecture.1 La consultation de documents réels (Retrieval-Augmented Generation) réduit nettement le taux d'erreur, sans l'éliminer : même avec les bons documents, des modèles simples ajoutent encore des éléments non sourcés.5 Pour des décisions lourdes de conséquences, « juste la plupart du temps » ne suffit pas.
2 L'issue : reconnaître des motifs et les contrôler par des règles.
La recherche appelle cette approche IA neuro-symbolique : la reconnaissance de motifs des réseaux neuronaux est combinée à la vérifiabilité des règles symboliques et des graphes de connaissances.2 Une synthèse évaluée par les pairs (NAACL 2024) montre que les graphes de connaissances, utilisés comme source externe, réduisent les hallucinations et améliorent la précision des inférences.3 Et pour le raisonnement multi-étapes — relier plusieurs faits liés en une réponse — la variante fondée sur un graphe surpasse de manière démontrée la simple recherche textuelle.4 C'est précisément sur cela que repose c:node.
3 La traçabilité n'est pas un bonus — c'est une obligation.
Pour l'IA à haut risque, l'EU AI Act exige exactement ce que cette architecture fournit déjà : une journalisation complète (Art. 12), transparence et documentation traçable (Art. 13) et la possibilité d'un contrôle humain (Art. 14).6 Comme c:node associe à chaque affirmation sa source et son historique (provenance), chaque décision reste vérifiable a posteriori — sans devoir exposer l'intérieur de ce modèle.
4 Comment le c:node Graph est construit — et pourquoi il grandit.
Le c:node Graph repose sur des modèles ouverts (open source) — interchangeables sans modifier la logique traçable —, fonctionne dans le cloud, sur vos serveurs ou entièrement hors ligne et reste ainsi souverain dans votre environnement. Ce n'est pas un modèle statique, mais un graphe de connaissances vivant qui s'enrichit à chaque cas, pour chaque espace dédié. La répartition des rôles : vous pilotez avec c:node, le c:node Graph apporte les preuves, les agents exécutent.
5 Conseil scientifique.
L'orientation de c:node est accompagnée par une expertise académique en recherche sur la décision et en IA.
Assoc. Prof. Dr. Tuna Çakar
Recherches sur l'intelligence artificielle, les processus de décision, l'apprentissage automatique et les neurosciences appliquées — les fondements cognitifs et méthodologiques d'une intelligence décisionnelle robuste. Travaux choisis :
- Physicians' ethical concerns about artificial intelligence in medicine — Frontiers in Public Health, 2024.
- Unraveling neural pathways of political engagement: bridging neuromarketing and political science — Frontiers in Human Neuroscience, 2023.
- An investigation of the neural correlates of purchase behavior through fNIRS — European Journal of Marketing, 2018.
Sources
- NIST, Artificial Intelligence Risk Management Framework: Generative AI Profile (NIST AI 600-1), 2024 — les confabulations sont inhérentes à la conception des modèles génératifs. nvlpubs.nist.gov…
- Hitzler et al. (dir.), Handbook on Neuro-symbolic AI and Knowledge Graphs, IOS Press, 2025 — les graphes de connaissances comme pont entre règles et modèles apprenants. iospress.nl…
- Agrawal et al., « Can Knowledge Graphs Reduce Hallucinations in LLMs? A Survey », NAACL 2024 — utilisés comme source externe, les KG réduisent les hallucinations et améliorent la précision des inférences. aclanthology.org…
- GraphRAG-Bench — l'IA fondée sur un graphe surpasse la simple recherche textuelle pour le raisonnement multi-étapes. arXiv:2506.02404, 2025. arxiv.org…
- MEGA-RAG (Multi-Evidence RAG) — la consultation réduit les affirmations inventées de plus de 40 %, sans les éliminer. PMC12540348, 2025. ncbi.nlm.nih.gov…
- Union européenne — EU AI Act, High-level Summary (Art. 12 journalisation, Art. 13 transparence, Art. 14 contrôle humain). artificialintelligenceact.eu…
- Assoc. Prof. Dr. Tuna Çakar — profil de publications, Google Scholar (état 2026). scholar.google.com…
Les sources étayent les principes sous-jacents (IA neuro-symbolique, graphes de connaissances contre l'hallucination, exigences de l'EU AI Act). Les informations sur le conseil scientifique sont publiques (Google Scholar) ; les données clés de R&D seront ajoutées après validation interne.