SPARQL Agentique : Évaluation des Agents Intelligents Utilisant SPARQL-MCP sur le Benchmark FKGQA

Les avancées récentes en IA ont donné naissance à des applications 'agentiques', notamment celles qui exploitent le Protocole de Contexte de Modèle (MCP) pour permettre aux modèles de langage de grande taille (LLMs) d'interagir avec divers outils. Cette intégration permet de résoudre des problèmes complexes en accédant à des sources de données externes. Les points de terminaison SPARQL, accessibles au public, constituent un moyen idéal pour fusionner des ensembles de données variés via le MCP. Cela se fait en respectant un protocole standardisé et un langage de requête, en utilisant des formats de métadonnées cohérents et en permettant la fédération de requêtes. Dans cette étude, nous explorons l'efficacité des agents intelligents basés sur SPARQL-MCP pour exécuter des requêtes SPARQL fédérées. Nous décrivons d'abord le processus d'adaptation d'un benchmark existant de Questions-Réponses sur les Graphes de Connaissances (KGQA) pour y inclure la KGQA fédérée agentique (FKGQA). Ensuite, nous mettons en œuvre et évaluons l'intégration de la fédération SPARQL avec des agents LLM via le MCP, en nous concentrant sur des aspects tels que la découverte de points de terminaison, la sélection de sources, l'exploration de schémas et la formulation de requêtes. Nos résultats offrent des perspectives précieuses sur les alternatives architecturales et enrichissent les méthodologies existantes pour la fédération automatisée de requêtes SPARQL en conjonction avec l'IA agentique.