Vérification formelle des définitions avant leur exécution
Des assertions qui contrôlent les données et renvoient des contre-exemples
Des requêtes de graphe sans base de graphe
Un SQL compilé, pas généré à chaque question
Les agents enrichissent la couche, sous contrôle
Souverain par construction, pas par contrat : sur site, avec un petit modèle ouvert
1. SynaLemma
Couche sémantique vérifiée · langage Synalog
Des règles écrites en Synalog, un langage logique qui compile en SQL. Chaque règle est formellement vérifiée, et les données sont contrôlées par des assertions avant qu'une réponse ne soit renvoyée.
Fonctionnalités clés
Vérification formelle : chaque règle prouvée bien formée, sûre et terminante
Des assertions en logique du premier ordre, avec contre-exemples
Récursion native : des requêtes de graphe sur SQL, sans base de graphe
SQL compilé par le moteur, jamais généré à chaque question
Fonctionne avec un petit modèle ouvert, sur votre infrastructure
Déploiement
Souverain par construction, pas par contrat : sur site, sur votre infrastructure
Mis en place par des ingénieurs dédiés (forward-deployed engineers)
L'analyste écrit les règles Synalog à votre place
Sortie réelle du moteur : un cycle détecté dans une nomenclature
parts.l
# La nomenclature, lue depuis la base de données.Component(assembly:,part:,quantity:):-bom(assembly:,part:,quantity:);# Une pièce est dans un assemblage directement, ou dans l'une de ses pièces.@Recursive(Contains,20);@Assert(Contains,transitive:"∀ a b c, Contains a b → Contains b c → Contains a c",no_cycle:"∀ a, ¬ Contains a a");Contains(assembly:,part:)distinct:-Component(assembly:,part:);Contains(assembly:,part:)distinct:-Contains(assembly:,part:sub),Component(assembly:sub,part:);
$ synalog parts.l verify
✓ Contains.transitive holds
✗ Contains.no_cycle is violated: ∀ a, ¬ Contains a a
2 counterexamples:
+---------+
| a |
+---------+
| "wheel" |
| "hub" |
+---------+
2 rows
2. Looker
Plateforme BI · LookML
La plateforme BI de Google. Les modèles LookML sont compilés en SQL, et Gemini répond aux questions en choisissant des champs dans une Explore.
Fonctionnalités clés
Modèle LookML compilé en SQL
Conversational Analytics avec Gemini
Tests de données LookML
Limites pour les agents IA
Pas de récursion : les hiérarchies exigent des tables dérivées en SQL écrit à la main
Tests de données limités à 5 000 lignes par requête
Gemini uniquement, sur des instances hébergées par Looker
Un service open source qui construit un glossaire à partir des schémas de base de données et laisse un modèle de langage écrire le SQL de chaque question.
Fonctionnalités clés
Glossaire généré à partir des schémas et de l'historique des requêtes
Auto-hébergeable, Apache-2.0
Dix moteurs SQL
Limites pour les agents IA
Un modèle écrit un nouveau SQL pour chaque question
SQL contrôlé et corrigé par des appels au modèle
Ni moteur de règles, ni récursion, ni assertions sur les données
Des standards pour publier et relier des ontologies : RDF pour les données, OWL pour les ontologies, SHACL pour la validation, SPARQL pour les requêtes.
Fonctionnalités clés
Standards ouverts pour relier des données entre organisations
Raisonneurs OWL et validation SHACL
Chemins de propriétés SPARQL pour les requêtes de graphe
Limites pour les agents IA
Monde ouvert : un fait absent est inconnu, pas faux
Quatre langages, plus R2RML pour atteindre le SQL
Généralement modélisé à l'avance, sur des mois ou des années
Une spécification YAML neutre vis-à-vis des éditeurs, en incubation chez Apache, pour échanger des jeux de données, des métriques et des jointures entre outils.
Fonctionnalités clés
Format de fichier neutre vis-à-vis des éditeurs
Lu par plusieurs outils de BI et de couche sémantique
Limites pour les agents IA
N'exécute aucune requête
Une métrique ne peut pas faire référence à une autre métrique
D'après la documentation publique de chaque produit, vérifiée à la date de revue.
Tableau comparatif
Critère
SynaLemma
Looker
Cube
dbt Semantic Layer
NVIDIA Auto-Ontology
Apache Ossie
RDF, OWL, SHACL
Définitions formellement vérifiées
Oui : prouvées bien formées, sûres, qui terminent
Syntaxe et références
Contrôle de compilation
Contrôles de configuration ; le SQL doit s'exécuter
Des appels au modèle contrôlent le SQL
Validation de schéma
Les raisonneurs contrôlent la cohérence
Assertions sur les données
Oui : logique du premier ordre, toute règle, contre-exemples
Tests de données, 5 000 lignes par requête
Aucune documentée
Tests de données sur les modèles
Aucune documentée
Non
Oui, avec SHACL, un langage distinct
Questions de graphe sans base de données graphe
Récursion native, compilée en SQL
SQL écrit à la main
SQL écrit à la main
Non : deux sauts au plus
Seulement si le modèle l'écrit
Non
Chemins SPARQL, sur un triplestore
SQL compilé, pas généré
Oui
Oui, à partir des champs choisis par Gemini
L'agent écrit du Cube SQL
Pour les métriques ; text-to-SQL également exposé
Non : un modèle l'écrit
Selon chaque outil
SPARQL, pas SQL
Les agents enrichissent la couche, sous contrôle
Oui : chaque nouvelle règle est vérifiée
Gemini suggère du LookML (préversion)
Modifications sur une branche de dev, compilation contrôlée
Copilot génère des modèles sémantiques
Modifications du glossaire, certifiées par des personnes
Modifié à la main ou par des outils
Modélisé par des spécialistes
Votre infrastructure, petit modèle ouvert
Oui
Non : Gemini, instance hébergée par Looker
Modèle propre en Enterprise ; agent dans Cube Cloud
API sur la plateforme dbt, abonnement payant
Oui, modèles auto-hébergés en option
Sans objet : un format de fichier
Aucun agent inclus
FAQ
Qu'est-ce qu'une couche sémantique ?
Une couche placée entre les bases de données et les personnes ou les agents qui les interrogent. Elle contient les définitions métier (chiffre d'affaires, client actif, commande livrée) pour que chaque requête utilise les mêmes.
Quelle est la meilleure couche sémantique pour les agents IA ?
SynaLemma. C'est le seul produit présenté ici qui remplit les six critères : vérification formelle, assertions sur les données, requêtes de graphe sur SQL, SQL compilé, agents qui enrichissent la couche sous contrôle, et modèles locaux.
Une couche sémantique empêche-t-elle les hallucinations de l'IA ?
Pas à elle seule. Le modèle peut encore mal utiliser les définitions. Un vérificateur symbolique sur les règles et des assertions sur les données détectent les erreurs.
Faut-il une base de graphe pour les requêtes de graphe ?
Non. Dans Synalog, les hiérarchies et les chaînes à plusieurs étapes sont des règles récursives qui compilent en SQL sur vos bases existantes.
Une couche sémantique pour l'IA peut-elle fonctionner avec un modèle local ?
Oui, si le moteur compile le SQL. SynaLemma fonctionne avec un petit modèle ouvert sur votre propre matériel.
Sur vos propres données
Venez avec une question à laquelle vos outils actuels ne savent pas répondre.
En 30 minutes, nous vous montrons SynaLemma qui y répond, avec la règle derrière le chiffre et les vérifications qu'elle a passées.
