Retour aux guides

Jumeaux numériques sémantiques et AI Grounding

Knowledge graphs industriels pour AI Agents et jumeaux numériques opérationnels

Comment les modèles sémantiques de jumeau numérique relient actifs, espaces, systèmes, signaux, documents, SOP, événements et responsabilités pour ancrer les réponses des AI Agents dans le contexte opérationnel.

Knowledge graphs industriels pour AI Agents et jumeaux numériques opérationnels

La couche manquante est le sens

L'AI industrielle doit comprendre l'objet d'une question. Des expressions comme "chiller 2", "ligne 4", "humidité salle blanche" ou "la pompe derrière l'alarme" doivent correspondre à un actif, un espace, un signal, un document et un responsable.

Un knowledge graph industriel fournit cette couche sémantique. Il relie les objets du site et décrit leurs relations. FactVerse utilise ce modèle pour aligner scènes de jumeau numérique, données opérationnelles, documents et raisonnement AI sur le même contexte physique.

Ce que le graph modélise

Zone de modèleEntités typiques
Structure spatialesite, bâtiment, étage, salle, zone, ligne, rack, baie, extérieur
Actifs physiqueséquipements, compteurs, capteurs, vannes, pompes, robots, véhicules
SystèmesHVAC, eau glacée, air comprimé, puissance, utilités procédé, sécurité, flux logistique
Points de donnéestags, alarmes, indicateurs calculés, consignes, états
Objets de connaissanceSOP, manuels, plans, références BIM/CAD, modèles d'inspection
Evénementsalarmes, inspections, maintenance, approbations, handover
Responsabilitéowner, opérateur, équipe service, reviewer, classe de risque, permission

Le modèle devient utile lorsqu'il répond aux questions de relation.

Exemples de relations

RelationQuestion prise en charge
actif situé dans un espaceOù se trouve l'équipement derrière cette alarme?
équipement dessert une zoneQuelles zones cette AHU affecte-t-elle?
point mesure un équipementQuel capteur a produit cette tendance?
compteur mesure un systèmeA quelle boucle d'eau glacée appartient cette mesure?
actif appartient à un systèmeQuels actifs amont et aval comptent?
actif lié à une procédureQuel SOP consulter avant l'inspection ou la maintenance?

Ces relations donnent à l'AI Agent un chemin de la question vers la preuve.

Utilisation dans FactVerse

Data Fusion Services mappe les noms, tags, documents et enregistrements des systèmes sources vers un modèle cohérent. La même pompe, le même compteur ou la même salle peut avoir plusieurs noms dans BMS, SCADA, CMMS, BIM, feuilles de calcul et plans.

FactVerse Twin Engine relie cette identité au modèle spatial. Un signal s'affiche sur le bon objet 3D, un document se rattache au bon actif, et les relations système deviennent un réseau consultable.

FactVerse AI Agent peut récupérer les preuves en suivant le graph: de l'alarme à l'actif, de l'actif au système, du système aux zones affectées, puis aux SOP et historiques utiles.

Brick Schema et sémantique facility

Pour les bâtiments et les sites techniques, Brick Schema est une référence publique utile. Il fournit un vocabulaire pour équipements, points, lieux, compteurs, capteurs et relations.

DataMesh peut aligner les modèles facility avec une sémantique de type Brick lorsque cela réduit l'ambiguïté. Les sites industriels plus larges ajoutent souvent lignes de production, systèmes sub-fab, zones logistiques, utilités propres, entrepôts, cellules robotisées, postes opérateur et actifs de simulation.

AI Grounding et recherche explicable

Les knowledge graphs rendent les réponses AI plus traçables. L'AI Agent peut utiliser le graph pour réduire le périmètre de preuve avant de lire documents et enregistrements.

Si un ingénieur demande pourquoi une zone a des alarmes d'humidité répétées, le graph peut identifier la zone, les capteurs, l'AHU qui la dessert, les actifs d'eau glacée reliés, les alarmes récentes, les inspections et les SOP concernés. L'AI Agent peut ensuite résumer les preuves avec des références claires.

Gouvernance

Un knowledge graph doit être maintenu. Rénovations, remplacements d'équipement et reconfigurations modifient IDs actifs, alias, relations, mapping de points et liens documentaires.

La gouvernance couvre la source de vérité, les règles de nommage, l'ownership des relations, la provenance des preuves, le niveau de confiance des mappings importés, les droits d'accès et l'historique des changements.

Démarrage ciblé

Type de questionPortée sémantique minimale
Contexte actifactif, lieu, système, owner, documents, points live
Etat facilityzone, équipement desservant la zone, capteurs, alarmes, points de contrôle
Revue énergiecompteur, système, espace, groupe d'équipements, indicateur
Recherche SOPclasse d'actif, type de tâche, SOP, note sécurité, rôle requis
Revue de causeévénement, actif lié, systèmes amont et aval, dossiers récents

Elargissez lorsque le premier modèle répond de façon fiable aux questions réelles.

Références publiques

La page FactVerse décrit la plateforme qui relie Twin Engine, AI Agent, Data Fusion Services et les applications.

Le guide Green Mark and Brick Schema montre comment une sémantique facility de type Brick aide à tracer les preuves opérationnelles.