Un pipeline LLM transforme les datasheets en graphes de connaissances avec 98,8% de précision

Des chercheurs ont publié sur arXiv un preprint décrivant un pipeline qui transforme les datasheets de composants électroniques en graphes de connaissances hiérarchiques. Sur 20 documents de longueurs variées et couvrant différents types de composants, la part de propriétés fidèles (property faithfulness) atteint 98,8%. Le traitement naïf en une seule passe de la même tâche n'obtient que 76,1%. Autrement dit, près d'un quart des paramètres extraits par l'approche de référence n'étaient pas confirmés par le document lui-même.

Pourquoi une seule requête ne suffit pas

Une datasheet se prête mal à la lecture automatique. Elle est longue et hétérogène, et ses paramètres se répartissent entre tableaux, graphiques et texte. Les auteurs soulignent un point gênant : même lorsque le document tient en entier dans la fenêtre de contexte du modèle, le traitement en une passe laisse passer des spécifications pertinentes. Pour un ingénieur, ce n'est pas une métrique abstraite. Une limite de tension, de courant ou de plage de températures passée inaperçue conduit à un mauvais choix de composant et à une refonte de la carte.

Comment fonctionne le pipeline

Le pipeline procède en trois étapes : extraction des propriétés par fragments (chunk-based property extraction), routage hiérarchique et affinage itératif. Le LLM se charge de l'extraction d'informations et du raisonnement sémantique. Il ne modifie pas le graphe directement : il formule des instructions, qui sont vérifiées, puis appliquées au graphe par du code local déterministe.

Cette architecture a deux effets :

• chaque requête mobilise moins de contexte que le traitement du document entier ;
• les représentations intermédiaires restent traçables, et chaque propriété conserve un lien vers sa source (provenance).

En sortie, on obtient un graphe dont les propriétés sont organisées sémantiquement et rattachées au texte de la datasheet. Il peut ensuite servir à la recherche et au raisonnement.

Les chiffres

Sans référentiel complet de propriétés annotées sur les 20 documents, il est difficile d'évaluer l'exhaustivité. Les auteurs ont donc introduit une métrique, l'inter-graph completeness, qui compare la couverture sémantique de deux graphes entre eux. Résultats :

• fidélité des propriétés : 98,8% pour le framework proposé contre 76,1% pour la référence en une passe, soit une part de propriétés non fidèles passée de 23,9% à 1,2%, environ 20 fois moins ;
• couverture directe : le framework couvre entièrement 83,6% des propriétés fidèles de la référence ;
• couverture inverse : la référence ne couvre entièrement que 10,5% des propriétés du framework ;
• échantillon : 20 datasheets, avec différents types de composants et des volumes de documents variés.

La seconde paire de chiffres montre gue le gain de précision ne s'est pas payé par une perte de couverture. Le graphe contient presque tout ce que trouve l'approche en une passe, et bien davantage.

Où cela peut servir, et quelles réserves

L'intérêt pratique est évident pour les équipes qui construisent des outils de recherche et de vérification de compatibilité sur des bases de composants. Lorsque les propriétés sont stockées dans un graphe avec leur source, un ingénieur ou un agent peut rapidement vérifier d'où provient une valeur et la confronter au document. Pour la vérification automatique d'un projet, c'est déterminant : une erreur dans un paramètre extrait se propage ensuite à toutes les vérifications.

Le schéma principal est transposable hors de l'électronique : le LLM propose des modifications de structure, un validateur les contrôle, et du code ordinaire les exécute. Les erreurs du modèle n'atteignent alors pas directement le stockage.

Il y a toutefois des réserves. Un échantillon de 20 documents reste modeste. La métrique d'exhaustivité est relative : elle compare deux graphes entre eux et ne mesure pas la couverture par rapport à un référentiel complet. L'abstract ne précise ni les modèles utilisés, ni le coût, ni le temps de traitement d'une datasheet. Ces paramètres détermineront si l'approche convient au traitement en masse de catalogues de milliers de documents. En l'état, le résultat montre qu'un traitement par étapes, avec des étapes vérifiables, est plus fiable qu'une seule grosse requête au modèle.