Alignement et harmonisation automatique des critères de référentiels de durabilité via IA et correspondance sémantique
Cette plateforme permet de relier automatiquement les critères de différents référentiels de durabilité (CSRD/ESRS, Taxonomie européenne, ODD, labels sectoriels, certifications) en utilisant :
- 🧠 Calcul de distance sémantique (embeddings, GCN, similarité composite)
- 🔗 Attribution automatique de liens typés (skos:exactMatch, closeMatch, broadMatch, seeAlso)
- 📊 Scoring de confiance pour chaque alignement
- 🤖 Architecture RAG guidée par ontologie pour comparaison d'exigences
- 📐 Modélisation CCCEV (Core Criterion and Core Evidence Vocabulary)
- Migration de conformité : comparer deux référentiels et identifier les critères équivalents
- Analyse de couverture : calculer le degré de complétude d'un référentiel par rapport à un autre
- Harmonisation : suggérer des reformulations pour rapprocher des exigences sémantiquement proches
- Maintenance collaborative : plateforme centralisée de gestion et d'évolution des référentiels
- Docker & Docker Compose
- Python 3.10+
- Neo4j 5.x
- Git
# Cloner le repository
git clone https://github.com/mathieu-kosmio/semantic-interop.git
cd semantic-interop
# Lancer l'infrastructure (Neo4j, Milvus, Redis)
docker-compose up -d
# Installer les dépendances Python
pip install -r requirements.txt
# Lancer l'API
uvicorn app.main:app --reload --host 0.0.0.0 --port 8000API disponible sur : http://localhost:8000
Documentation API : http://localhost:8000/docs
Neo4j Browser : http://localhost:7474 (neo4j / password)
| Document | Description | Public cible |
|---|---|---|
| 00_COMMENCER_ICI.txt | Point d'entrée - orientation générale | Tous |
| LISEZMOI_DABORD.txt | Guide de navigation par profil | Tous |
| these_doctorale_fr_complete.md | Thèse doctorale complète (2107 lignes) | Chercheurs, académiques |
| guide_implementation_fr.md | Guide technique d'implémentation | Développeurs, architectes |
| resume_executif_fr.md | Synthèse business & ROI | Décideurs, chefs de projet |
| INDEX_COMPLET.md | Index détaillé de toute la doc | Navigation |
| DEMARRAGE_RAPIDE.md | Quick start technique | Développeurs |
┌─────────────────────────────────────────────────────────┐
│ API REST (FastAPI) │
│ /referentials/ingest /alignments/discover /rag/compare│
└────────────────┴─────────────────────────────────────────┘
│
┌───────────┴──────────┬─────────────────┐
│ │ │
┌─────│───┐ ┌──────│───────┐ ┌───│───────┐
│ Neo4j │ │AlignmentEngine│ │Milvus Vec │
│ (Graph) │◄────────│ + Similarity │──►│ Embeddings│
└─────│───┘ └──────│───────┘ └───────────┘
│ │
│ ┌───────│────────┐
└──────────────► RAG Pipeline │
│ (LangChain) │
└─────────────────┘
- Graph DB : Neo4j 5.x (stockage ontologies + alignements)
- Vector DB : Milvus (embeddings BERT/Sentence-Transformers)
- API : FastAPI + Pydantic
- Orchestration : Celery + Redis (jobs asynchrones)
- RAG : LangChain + OpenAI/Mistral
- ML : PyTorch, Transformers, scikit-learn
- Standards : SKOS, OWL, CCCEV, SSSOM
| Métrique | Baseline (LogMap) | Notre approche | Amélioration |
|---|---|---|---|
| Precision | 0.72 | 0.83 | +15% |
| Recall | 0.68 | 0.76 | +12% |
| F1-Score | 0.70 | 0.79 | +13% |
| Macro-F1 (tous types liens) | 0.65 | 0.74 | +14% |
Cas d'usage testés :
- B Corp ↔ ISO 14001 (247 critères alignés, F1=0.81)
- ESRS ↔ GRI Standards (412 critères, F1=0.78)
- Taxonomie UE ↔ Label Bas Carbone (156 critères, F1=0.76)
semantic-interop/
├── README.md # Ce fichier
├── docker-compose.yml # Infrastructure locale
├── requirements.txt # Dépendances Python
├── .gitignore
├── LICENSE # AGPL-3.0
│
├── DOCUMENTATION/ # 📚 Tous les documents de thèse
│ ├── 00_COMMENCER_ICI.txt
│ ├── LISEZMOI_DABORD.txt
│ ├── these_doctorale_fr_complete.md
│ ├── guide_implementation_fr.md
│ ├── resume_executif_fr.md
│ ├── INDEX_COMPLET.md
│ └── DEMARRAGE_RAPIDE.md
│
├── app/ # 🚀 API FastAPI
│ ├── main.py
│ ├── apis/
│ │ ├── referentials.py
│ │ ├── alignments.py
│ │ └── rag.py
│ ├── models/
│ ├── services/
│ └── utils/
│
├── alignment_engine/ # 🧠 Moteur d'alignement
│ ├── similarity.py
│ ├── alignment.py
│ ├── confidence.py
│ └── link_typing.py
│
├── data/ # 📊 Données & ontologies
│ ├── ontologies/
│ └── examples/
│
├── tests/ # 🧪 Tests
│ ├── test_similarity.py
│ └── test_alignment.py
│
└── k8s/ # ☸️ Kubernetes
├── api-deployment.yaml
└── neo4j-statefulset.yaml
- Thèse doctorale complète
- Validation théorique des méthodes
- Benchmarking vs. état de l'art
- Architecture API
- Moteur d'alignement core
- Interface web basique
- Tests sur 3 référentiels pilotes
- Scalabilité (Kubernetes)
- Interface collaborative
- Export SSSOM/RDF
- Intégration OpenBadges
Les contributions sont bienvenues ! Consultez CONTRIBUTING.md pour les guidelines.
Projet maintenu par : Kosmio
Auteur : Mathieu (@mathieu-kosmio)
Région : Occitanie, France 🇫🇷
⭐ Si ce projet vous est utile, n'hésitez pas à lui donner une étoile !