Accélérer le développement de jumeaux numériques des réseaux grâce à la méthodologie LOT4KG

Les compétences et l’organisation pour mener un projet complexe du type d’un Jumeau Numérique des Réseaux à base de Graphe de Connaissances sont spécifiques : la conception et le déploiement d’un système de type Jumeau Numérique des Réseaux (JNR, ou Network Digital Twin en anglais) basé sur des Graphes de Connaissances (GdC, ou Knowledge Graphs en anglais) est une tâche ardue, notamment lorsqu’il s’agit de travailler sur des réseaux à l’échelle d’un opérateur tel qu’Orange. De tels réseaux sont en effet constitués de plusieurs domaines technologiques à prendre en compte simultanément (par exemple réseau 4G/5G, réseau de transmission international IPoWDM, centres de calcul) pour assurer une haute qualité de service à l’aide d’une vision bout-en-bout des systèmes et flux de données. Du point de vue du JNR, cela se traduit en enjeux sur une modélisation sémantique cohérente et évolutive de l’ensemble des domaines, et l’intégration de données hétérogènes avec des garanties de traçabilité (provenance) et qualité-fraîcheur des données.

Dans cet article, nous expliquons comment la méthodologie LOT4KG [LOT-2022, LOT4KG-2024], provenant de la recherche académique, permet d’aborder et d’organiser de manière pratique l’ensemble des activités et compétences nécessaire à un tel projet. Nous présentons notamment l’adaptation « LOT4KG for Orange », fruit de la collaboration d’Orange France et Orange Research sur le développement et la mise en production d’un Jumeau Numérique du Réseau basé sur un Graphe de Connaissances (JNR-GdC) pour la supervision des réseaux nationaux.

Les graphes de connaissances au cœur du jumeau numérique des réseaux

Les graphes de connaissances permettent de structurer des données hétérogènes (par exemple topologie des réseaux, logs techniques, opérations, intervenants) à l’aide d’un vocabulaire formel partagé (ontologie). Des innovations d’Orange Research, tel que la plateforme Thing’In [HF-1] et le projet NORIA [HF-2], utilisent cette approche qui facilite l’analyse des informations en rendant explicites les relations entre les éléments de données. En s’appuyant sur ce type de graphes, le JNR-GdC constitue une représentation fidèle et dynamique des réseaux et de leur écosystème, accélérant et renforçant la gestion de problématiques opérationnelles complexes, qu’il s’agisse de diagnostic, de simulation ou d’optimisation des infrastructures et services réseaux. Il permet de naviguer dans des données très riches, de croiser des sources multiples, et de produire des vues adaptées aux différents profils d’utilisateurs. En résumé, le Jumeau Numérique du Réseau basé sur un Graphe de Connaissances est un outil puissant d’anticipation et d’aide à la décision, de compréhension globale du réseau et de sa dynamique.

Quels sont les défis pour construire un JNR avec un graphe de connaissances ?

La variété et le nombre des équipes concernées par le développement d’un JNR-GdC (architectes fonctionnels & techniques, ingénieurs des connaissances, experts métiers, responsables d’exploitation & qualité de service) impliquent une coopération et une coordination spécifiques et rares. Des défis humains et techniques émergent au quotidien et de nombreuses questions se posent, parmi lesquelles :

• Comment concevoir une ontologie (ou un ensemble d’ontologies) robuste et multi-domaines, qui permette de répondre aux besoins spécifiques de l’entreprise, tout en restant interopérable avec des systèmes d’information externes ?
• Comment permettre l’évolution des ontologies existantes dans la durée sans mettre en péril les données déjà enregistrées dans le graphe de connaissances, ni remettre en question fondamentalement les algorithmes produisant et utilisant le graphe ?
• Comment démarrer la construction d’un graphe de connaissances à partir de schémas et modèles de données déjà en place et ancrés dans le fonctionnement du système d’information ?
• Comment développer et exploiter plusieurs graphes de connaissances en parallèle (par exemple un graphe de connaissance par domaine technique, ou par domaine de responsabilité) et réussir à les combiner dans un méta-graphe cohérent ?
• Existe-t-il une architecture de référence extensible pour un JNR-GdC ?
  Si l’on prend l’exemple du seul domaine du réseau de transmission national français, il doit être ainsi capable de gérer des flux de 5000 événements par secondes en rapport à un graphe de connaissances comportant deux millions d’entités et cinq millions d’arrêtes.

En résumé, quelles sont les étapes méthodologiques et outils associés qui font sens pour développer et utiliser un JNR-GdC en milieu industriel ? Le framework LOT4KG permet de répondre à ces questions en organisant les différentes étapes de construction du jumeau numérique du réseau reposant sur un graphe de connaissances.

LOT4KG : Linked Open Terms for Knowledge Graphs Construction, c’est quoi exactement ?

Il s’agit d’une méthodologie, élaborée par une équipe de chercheurs en intelligence artificielle de l’Université Polytechnique de Madrid (UPM), qui formalise le cycle de vie d’un graphe de connaissances depuis les données sources jusqu’au graphe final, et propose pour chaque étape un ensemble d’outils associés. Sa description détaillée est disponible en ligne à l’adresse https://lot.linkeddata.es/LOT4KG/, et la Figure 1 ci-dessous en donne la vision d’ensemble.

LOT4KG offre par conséquent un cadre pour organiser, résoudre et confronter les différents défis listés plus haut. Cette méthodologie établit une terminologie commune entre les intervenants d’un projet JNR-GdC, ainsi qu’un mode de fonctionnement pour concevoir, réaliser et exploiter un Jumeau Numérique du Réseau basé sur un Graphe de Connaissances (JNR-GdC).

LOT4KG For Orange

Le contexte Orange implique de considérer la confédération de données de domaines techniques et opérationnels variés et gérés indépendamment. Cette contrainte rend nécessaire d’inclure la mise en cohérence de graphes de connaissances et la participation d’équipes métiers variées au cœur de la gestion d’un projet JNR-GdC, précédemment absentes de la méthodologie LOT4KG.

Nous avons donc travaillé sur l’adaptation « LOT4KG For Orange », en relation avec les chercheurs à l’origine de LOT4KG, en gardant à l’esprit que la généralité de la méthodologie doit faciliter les échanges de bonnes pratiques entre communautés scientifiques-techniques-industrielles quel que soit le domaine d’application. Dans cet objectif, nous avons complété le processus méthodologique avec cinq nouvelles étapes (flèches orange dans la Figure 1) et proposé d’utiliser le diagramme de processus comme un outil de suivi de la maturité des projets. Ces deux aspects sont détaillés ci-dessous.

Concernant les nouvelles étapes, nous avons commencé par renforcer l’activité « Ontology Engineering » de LOT4KG en encourageant l’établissement systématique, par les équipes métiers, d’une liste de concepts essentiels au domaine de discours à représenter. Il en ressort une liste de références vers des vocabulaires existants qui pourraient soutenir l’effort de modélisation tout en favorisant l’interopérabilité des représentations et modes de raisonnements (c.-à-d. la logique embarquée dans l’ontologie pour l’interprétation des données) selon les principes du Linked Open Data.
La hiérarchisation suivante permet d’aborder une conception tendant vers l’interopérabilité :

1. Les ontologies existent et sont satisfaisantes pour le contexte d’application. Pas de création d’ontologie nécessaire, le projet peut se poursuivre immédiatement en allant à l’ensemble d’étape « KG Implementation ».

2. Il y a des ontologies satisfaisantes, mais il faut les adapter au contexte du projet. On intègre alors les ontologies existantes en itérant directement au niveau des étapes de « KG implémentation » et en proposant des modifications aux mainteneurs des ontologies (par exemple de nouveaux concepts et de nouvelles relations proposées via des GitHub Issues ou Pull Requests sur les dépôts publics des ontologies).

3. Dans le cas où il n’existe pas d’ontologie satisfaisante, il faut créer ce qui manque. Dans ce type de projet, il va falloir appliquer entièrement les étapes « Ontology Lifecycle Extension » de LOT4KG tout en gardant à l’esprit que l’ontologie développée doit s’insérer dans un écosystème d’ontologies existantes.

Renforcer l’activité « Ontology Engineering » consiste par ailleurs à encourager la formalisation systématique des besoins des métiers en questions de compétences (Competency Questions) [CQ-2014]. Il en ressort typiquement une liste de cas d’usages essentiels pour guider l’implémentation du projet et sa validation fonctionnelle à plusieurs niveaux de la méthodologie, à commencer par l’étape « Ontology pre-validation » (validation de l’implémentation du modèle de données).

Ces cas d’usages essentiels ont également une utilité dans la suite du processus, notamment durant l’activité « Knowledge Graph Lifecycle » (la construction du ou des graphes des connaissances pour le JNR) : ils permettent effectivement de valider les règles d’intégration de données par domaine technique (étapes « Conceptual Mapping », « Mapping Development » et « Mapping Validation ») et, en bout de chaîne, la cohérence des modélisations et règles d’intégration des données au niveau du JNR-GdC complet.  La méthodologie LOT4KG ainsi adaptée permet ainsi de gérer les défis de confédération de données de domaines techniques et opérationnels variés.

Concernant le suivi de la maturité des projets, notre équipe de recherche a proposé aux acteurs du JNR-GdC d’annoter le diagramme de processus LOT4KG For Orange avec un indicateur de Technical Readiness Level (TRL) [TRL-2017], une liste d’outils recommandés [STH-2024], ainsi que le nom des entités d’Orange concernées par chaque étape. Cette annotation a permis d’estimer, dès le début du projet, l’effort de R&D nécessaire à la fois en rapport aux compétences internes à l’entreprise et aux solutions externes disponibles, ainsi que d’établir une priorisation des actions à réaliser pour la mise en production du JNR-GdC et la montée en compétence des équipes.

Conclusion et perspectives

De façon générale, LOT4KG For Orange offre, grâce à un cadre complet allant de la conception à l’exploitation couplé à une vision des niveaux de maturité technique et organisationnelle, la possibilité d’avancer sereinement sur la conception et le déploiement d’un JNR-GdC.

La méthodologie LOT4KG et son adaptation « LOT4KG For Orange » s’avèrent un cadre efficace et complet pour guider ce type de projets, pour travailler à l’échelle de réseaux internationaux tels que ceux d’Orange.

Pour démarrer avec ces méthodologies et favoriser le développement d’une culture d’entreprise autour des graphes de connaissances et de leur usage, nous conseillons à chaque intervenant dans les projets de consulter le processus global et d’y identifier les activités, tâches et rôles qui peuvent lui correspondre. Il est également recommandé que les échanges entre équipiers se fassent en réutilisant la même terminologie. Le niveau d’utilisation le plus avancé consiste à essayer de nouveaux outils, enrichir les définitions des activités et tâches et affiner le cycle de vie proposé.

Le développement et le déploiement de projets JNR-GdC est en cours chez Orange, avec de nombreuses discussions dans les groupes de normalisation (par exemple W3C, IETF, 3GPP, TM Forum) et des échanges de bonnes pratiques entre communautés scientifiques, techniques et industrielles. Les prochaines étapes en rapport à LOT4KG consistent à continuer d’évaluer l’adéquation de la méthodologie aux spécificités de chaque domaine d’application, et d’élaborer les solutions techniques manquantes ou faiblement matures. Dans la continuité de nos travaux de recherche nous anticipons également le besoin à plus long terme de réfléchir à la mise en cohérence de projets Jumeaux Numériques des Réseaux développés à travers différentes organisations, pour asseoir une culture commune autour de LOT4KG.

En savoir plus

• [LOT-2022] M. Poveda-Villalón, A. Fernández-Izquierdo, M. Fernández-López, R. García-Castro (2022). « LOT: An industrial oriented ontology engineering framework », Engineering Applications of Artificial Intelligence, 111, 104755. doi : 10.1016/j.engappai.2022.104755
• [LOT4KG-2024] R. Pernisch, D. Chaves-Fraga, L. Stork, D. Conde-Herreros, M. Poveda-Villalón (2024). « LOT4KG: A Joint Methodology for the Ontology and Knowledge Graph Lifecycle », en ligne : semanticscholar.org/CorpusID:269756401
• [CQ-2014] Y. Ren, A. Parvizi, C. Mellish, J.Z. Pan, K. van Deemter, R. Stevens, « Towards competency question-driven ontology authoring » (2014), The semantic web: Trends and challenges. doi : 10.1007/978-3-319-07443-6_50
• [STH-2024] A. Reiz, F.J. Ekaputra, N. Mihindukulasooriya (2025). « Semantic Tool Hub: Towards a Sustainable Community-Driven Documentation of Semantic Web Tools ». The Semantic Web: ESWC 2024 Satellite Events, vol. 15344, in Lecture Notes in Computer Science, vol. 15344. doi: 10.1007/978-3-031-78952-6_48.
• [TRL-2017] Pierre Devalan (2017). « Transfert de technologies innovantes », Techniques de l’ingénieur Management et ingénierie de l’innovation. doi: 10.51257/a-v1-ag252.