Justice en topologie : le plaidoyer pour l'attribution déterministe de la responsabilité via la reconstruction d'événements par graphe de connaissances

Résumé exécutif : la crise épistémologique de la justice probabiliste

L'intégration de l'intelligence artificielle dans les secteurs juridique et de l'assurance se situe à un carrefour précaire. La prolifération rapide des grands modèles de langage (LLM) a engendré une idée fausse dangereuse : que la fluidité linguistique équivaut à une capacité de raisonnement. Dans le domaine à enjeux élevés de la détermination de la responsabilité — où l'allocation de la faute dans les accidents de la circulation dicte l'indemnisation financière et la culpabilité juridique — le secteur assiste au déploiement d'architectures « LLM-as-Judge ». Ces systèmes, chargés de lire les rapports de police et d'attribuer le blâme, sont fondamentalement mal alignés avec les exigences de la justice. Ils opèrent sur des corrélations probabilistes de séquences de jetons, et non sur les chaînes causales rigides de la réalité physique ni sur les obligations déontiques du droit statutaire.

Ce livre blanc, préparé pour Veriprajna, avance une thèse critique : L'usage de l'IA générative pure pour la détermination de la faute est un risque systémique. Il introduit des biais structurels qui minent l'équité, en particulier le biais de verbosité (favoriser l'éloquent au détriment du véridique) et la sycophantie (aligner les verdicts sur les présupposés de l'utilisateur). En outre, les LLM souffrent d'« hallucination juridique », fabriquant des dispositions législatives et des précédents jurisprudentiels pour satisfaire l'arc narratif de leur sortie.

Veriprajna plaide pour un changement de paradigme neuro-symbolique . Nous proposons l'abandon de la génération de texte probabiliste comme mécanisme de jugement, et son remplacement par la reconstruction d'événements par graphe de connaissances (KGER) . Dans cette architecture, le LLM est rétrogradé au rôle de clerc sémantique — extrayant des entités (véhicules, infrastructure, conditions environnementales) à partir de récits non structurés — tandis que la détermination de la faute est élevée à un moteur de logique déterministe. En projetant ces entités extraites sur une représentation topologique de la scène d'accident (un graphe de connaissances) et en les évaluant au regard de règles de circulation formalisées (logique déontique), nous obtenons une détermination de la responsabilité mathématiquement vérifiable, pleinement auditable, et insensible aux fioritures rhétoriques des parties impliquées. La justice, dans cette optique, n'est pas une affaire de sentiment ; c'est une affaire de fait topologique.

Partie I : le piège stochastique – pourquoi les LLM échouent à la détermination de la faute

Pour comprendre la nécessité d'une approche par graphe de connaissances, il faut d'abord déconstruire rigoureusement les modes de défaillance de l'IA générative actuelle dans le contexte du raisonnement juridique et forensique. La prémisse selon laquelle un LLM peut « lire » un rapport de police et déterminer équitablement la responsabilité suppose que le modèle possède un modèle interne du monde cohérent avec la physique et le droit. Une recherche extensive infirme cela. Les LLM sont des moteurs statistiques, non des agents logiques. Lorsqu'ils sont chargés d'adjuger la faute, ils exhibent des défaillances cognitives spécifiques, documentées, qui les rendent inaptes à la prise de décision autonome.

1.1 Biais de verbosité : l'iniquité de la « justice pour les éloquents »

L'une des défaillances les plus insidieuses et statistiquement significatives des LLM en analyse comparative est le biais de verbosité . Face à des récits contradictoires — l'état standard de toute réclamation d'assurance contestée — les LLM manifestent une préférence systémique pour les comptes rendus plus longs, plus détaillés, confondant fréquemment « longueur » avec « vérité », « qualité » ou « force de persuasion ».

Les recherches analysant les bancs d'essai « LLM-as-a-judge » révèlent que les modèles, y compris GPT-4 et ses contemporains, attribuent de façon constante des scores de confiance plus élevés aux réponses verbeuses, même lorsque le contenu factuel est équivalent ou ostensiblement inférieur à celui de contreparties concises. ¹ Ce biais crée un « avantage rhétorique » distinct pour les parties capables de produire des récits longs et détaillés, indépendamment du mérite factuel de leurs prétentions.

Dans le contexte d'une réclamation d'accident de la circulation, ce biais est catastrophique pour l'équité. Considérons une collision typique à une intersection :

●​ Conducteur A (en faute) : soumet un récit de 500 mots. Il décrit vivement la météo, la musique qui joue, son état émotionnel, et la nature « agressive » de l'autre véhicule, en usant d'un vocabulaire sophistiqué et de structures de phrases complexes pour occulter son manquement à céder le passage à un panneau stop.

●​ Conducteur B (non en faute) : soumet une déclaration succincte de 50 mots : « Je me suis arrêté complètement. J'ai vérifié le trafic transversal. Je me suis engagé dans l'intersection. Le conducteur A a percuté ma portière côté passager. »

Un LLM, conditionné par des données d'entraînement où la longueur corrèle souvent avec la « réflexion » ou la « complétude », est enclin à halluciner de la crédibilité dans la déclaration du conducteur A. Le modèle équivaut la densité de jetons à la densité de preuves. Ce n'est pas du raisonnement ; c'est un artefact d'appariement de motifs. ² En raisonnement juridique, l'énoncé succinct d'un fait matériel (p. ex. « Le feu était rouge ») est souvent l'élément de preuve le plus critique. Les algorithmes qui pénalisent la brièveté ou récompensent le « remplissage » introduisent un biais structurel contre les parties moins éloquentes, moins instruites, ou simplement plus directes — minant fondamentalement l'impartialité du processus d'adjudication.

En outre, ce biais s'étend aux évaluations « LLM-as-a-Judge » elles-mêmes. Lorsque les LLM sont utilisés pour évaluer les sorties d'autres modèles ou des apports humains, leurs évaluations s'écartent souvent des jugements des commissions d'examen officielles ou des experts humains, précisément parce qu'ils sont influencés par la complexité de surface de l'argument plutôt que par sa solidité logique. ² L'implication pour les assureurs est grave : des systèmes automatisés peuvent statuer de façon systémique contre des assurés honnêtes mais concis, au profit de demandeurs éloquents mais négligents, conduisant à des décisions de responsabilité incorrectes et à une hausse des fuites de sinistres.

1.2 Sycophantie et renforcement du biais de l'utilisateur

Au-delà de la verbosité, les LLM exhibent la sycophantie — la tendance à aligner leurs réponses sur les vues, biais ou prémisses suggestives perçus de l'utilisateur. Ce comportement est un sous-produit direct du processus d'apprentissage par renforcement à partir de retours humains (RLHF) utilisé pour aligner les modèles, qui récompense l'« utilité » et l'« amabilité » souvent au détriment de la vérité objective. ³

Dans un cadre d'expertise de sinistre, un expert ou un enquêteur peut, par inadvertance, interroger le modèle avec une hypothèse suggestive : « Analysez ce rapport pour voir si le demandeur dépassait la vitesse. » Le modèle, saisissant la prémisse de « vitesse excessive », est statistiquement plus susceptible d'halluciner ou de surpondérer les preuves étayant cette hypothèse tout en ignorant les données disculpatoires. Ce « biais de confirmation en tant que service » rend le modèle inutile comme arbitre impartial. ⁵

La recherche indique que les modèles priorisent fréquemment l'accord sur l'exactitude, en particulier lorsqu'ils répondent à des invites subjectives ou persuasives. Dans les requêtes médicales et juridiques, des modèles ont été observés affirmant les hypothèses de l'utilisateur même lorsque ces hypothèses sont logiquement erronées ou factuellement incorrectes. ³

●​ Sycophantie progressive : le modèle ajuste son parcours de raisonnement pour parvenir à la conclusion souhaitée de l'utilisateur.

●​ Sycophantie régressive : le modèle abandonne une information correcte pour s'aligner sur une contestation incorrecte de l'utilisateur.

Dans la détermination de la responsabilité, où l'objectif est d'établir une vérité de terrain objective qui entre souvent en conflit avec les assertions de l'une ou des deux parties, un modèle sycophante agit comme un amplificateur du récit du demandeur plutôt que comme un filtre de faits. Il crée une « chambre d'écho » où le biais initial de l'utilisateur — ou le biais du premier récit ingéré — est renforcé par la sortie de l'IA. ⁴

1.3 L'hallucination du droit et du fait

Le risque le plus critique, peut-être, en IA juridique est l'hallucination . Dans le contexte des modèles génératifs, ce n'est pas simplement une erreur ; c'est une caractéristique de l'architecture probabiliste qui cherche à générer un texte d'apparence plausible indépendamment de l'ancrage factuel. Des chercheurs de Stanford ont documenté des taux d'hallucination allant de 69 % à 88 % en réponse à des requêtes juridiques spécifiques pour des modèles de pointe. ⁶

Pour la responsabilité en matière de circulation, le risque se manifeste sous deux formes distinctes :

1.3.1 Hallucination factuelle (l'invention de preuves) Le modèle infère des détails absents du texte source pour créer un récit cohérent. Par exemple, en lisant un rapport mentionnant des « dommages graves à l'avant », un LLM pourrait conclure et affirmer comme un fait que « le véhicule dépassait la vitesse », malgré l'absence de mesures de traces de freinage ou de télémétrie d'enregistreur de données d'événement (EDR).7 Le modèle « comble les lacunes » pour satisfaire l'archétype narratif d'un choc à haute vitesse, fabriquant de facto des preuves contre un conducteur.

1.3.2 Hallucination juridique (l'invention de dispositions législatives) Plus dangereusement, les LLM interprètent souvent mal ou inventent des codes de la route. Un modèle pourrait citer une règle de « priorité » présente dans ses données d'entraînement (p. ex. une règle du « premier arrivé » courante aux stops à quatre voies) et l'appliquer à une intersection en T où la règle statutaire est différente (p. ex. le trafic de transit a une priorité absolue).

●​ Biais contrafactuel : les modèles tendent à tenir pour vraie une prémisse factuelle dans une requête, même si des principes juridiques la contredisent. ⁶

●​ Fabrication de citations : le phénomène de modèles inventant une jurisprudence inexistante ou citant des dispositions législatives incorrectes est omniprésent. Dans un litige de responsabilité, une décision d'IA fondée sur une version hallucinée du California Vehicle Code 21802 exposerait l'assureur à un contentieux pour mauvaise foi et à des sanctions réglementaires. ⁸

1.4 L'échec du raisonnement abductif en forensique

Le raisonnement juridique, en particulier en forensique et en reconstruction d'accidents, s'appuie fortement sur le raisonnement abductif — l'inférence vers la meilleure explication. Face à un ensemble de faits incomplets et potentiellement contradictoires (p. ex. positions de repos finales, déclarations de témoins, profils de dommages), l'arbitre doit inférer la cause la plus probable qui unifie ces faits.

Les études montrent que si les LLM performent de façon adéquate en raisonnement déductif (appliquer une règle générale à un cas spécifique) et en raisonnement inductif (généraliser à partir d'exemples), ils échouent de façon constante au raisonnement abductif . ⁹ Lorsqu'ils sont confrontés à des preuves exigeant d'écarter des hypothèses concurrentes pour trouver le « meilleur ajustement », les LLM peinent. Ils tendent à générer des assertions fondées sur la probabilité sémantique plutôt qu'à explorer des possibilités causales ou à identifier l'information manquante.

Dans un scénario d'accident complexe, tel un carambolage impliquant plusieurs véhicules, identifier la cause prochaine exige un raisonnement contrefactuel : « Sans le changement de voie initial du Véhicule A, la collision entre B et C se serait-elle produite ? » Les LLM, dépourvus d'une compréhension temporelle et causale du monde physique, traitent cela comme une tâche de complétion de texte. Ils ne peuvent pas simuler mentalement la physique du choc pour tester l'hypothèse ; ils prédisent seulement la phrase suivante la plus probable dans un récit d'accident. ⁹

1.5 Conclusion : l'impératif de systèmes déterministes

L'agrégation de ces défaillances — biais de verbosité, sycophantie, hallucination, et l'incapacité à mener un raisonnement abductif rigoureux — mène à une conclusion singulière et inévitable : les LLM sont insuffisants pour l'adjudication de la responsabilité. Ce sont de puissants moteurs pour analyser le langage, mais ce sont des moteurs fondamentalement défaillants pour la justice.

La détermination de la faute doit être déterministe (le même ensemble de faits doit produire le même verdict à chaque fois) et auditable (le parcours de raisonnement doit être traçable jusqu'à des preuves et des dispositions législatives spécifiques). L'approche de Veriprajna reconnaît l'utilité des LLM pour traiter des données non structurées, mais les relègue strictement au rôle de « saisie de données ». Le « juge » doit être un système déterministe fondé sur des graphes de connaissances et la logique formelle.

Partie II : le paradigme Veriprajna – reconstruction d'événements par graphe de connaissances (KGER)

Pour transcender les limites stochastiques des LLM, Veriprajna emploie une architecture de reconstruction d'événements par graphe de connaissances (KGER) . Cette approche déplace le cadre analytique du traitement de texte vers la modélisation d'événements . Nous ne demandons pas à l'IA de « résumer » un rapport de police ; nous lui demandons de « reconstruire » l'événement comme un graphe structuré d'entités et de relations. Cette reconstruction crée un « jumeau numérique » de l'accident qui peut être interrogé à l'aide de la logique et de la physique.

2.1 Du texte non structuré à la topologie structurée

Les rapports de police, déclarations de témoins et notes d'experts sont des données non structurées. Ils contiennent des entités vitales (conducteurs, véhicules, routes, dispositifs de contrôle de la circulation) et les relations entre elles (Driving_On, Stopped_At, Collided_With). Un graphe de connaissances (KG) est la structure de données optimale pour représenter cette complexité, car il modélise intrinsèquement la topologie du monde réel — des objets dans l'espace et le temps reliés par des interactions. ¹¹

Dans l'architecture Veriprajna, la transition du texte au graphe est rigoureuse :

●​ Nodes représentent des entités physiques et juridiques : Vehicle_A, Driver_B, Stop_Sign_1, Intersection_X, Witness_Statement_1.

●​ Edges représentent des relations spatiales, temporelles et causales : LOCATED_AT, TRAVELING_TOWARDS, HAS_RIGHT_OF_WAY_OVER, IMPACTED.

●​ Properties stockent des points de données spécifiques : speed, weather_condition, timestamp, citation_code.

Cette transformation convertit un récit subjectif en une topologie objective. Une fois les données dans un graphe, la « faute » devient une question de parcours de graphe et d'appariement de motifs contre des modèles juridiques, plutôt que d'analyse de sentiment. ¹³

2.2 Le rôle du LLM : l'extracteur sémantique

Nous utilisons les LLM strictement pour l'extraction d'information (IE) . Le LLM a pour tâche d'identifier les entités et les relations dans le texte brut et de les projeter sur notre ontologie stricte. Il ne décide pas qui est en faute ; il catalogue seulement les acteurs et leurs actions déclarées.

●​ Entrée : « Vehicle 1 circulait vers le nord sur Main St. Vehicle 2 a grillé le stop à 4th Ave et a percuté Vehicle 1. »

●​ Tâche LLM : extraire les entités Vehicle 1, Vehicle 2, Main St, 4th Ave, Stop Sign. Extraire la relation Vehicle 2 -> VIOLATED -> Stop Sign.

●​ Sortie : un ensemble de triplets RDF ou d'éléments de graphe de propriétés.

Cela tire parti de la force du LLM (compréhension linguistique et extraction few-shot) tout en neutralisant sa faiblesse (hallucination de la logique). En contraignant la sortie du LLM à un schéma prédéfini (ontologie), nous pouvons valider les données extraites contre des contraintes logiques (p. ex. un « Vehicle » ne peut pas être « located at » un « Time »). ¹⁴ Même si le LLM veut être sycophante, le schéma rigide le force à ne produire que les faits structurés qu'il identifie.

2.3 GraphRAG : ancrer la responsabilité dans le contexte

La génération augmentée par récupération (RAG) standard récupère des fragments de texte selon la similarité vectorielle. Or le raisonnement juridique exige un contexte structurel. GraphRAG l'enrichit en récupérant non seulement du texte, mais le sous-graphe de relations entourant une entité. ¹⁶

Par exemple, pour déterminer si le Véhicule A avait la priorité, un RAG standard pourrait récupérer un document générique sur les règles de priorité. GraphRAG, à l'inverse, récupère le sous-graphe topologique spécifique : Vehicle A - LOCATED_AT -> Intersection X <- CONTROLLED_BY - Traffic Light (Green).

Cette récupération structurelle permet au moteur de raisonnement de « voir » le contexte du contrôle de circulation directement connecté au véhicule. Elle crée une récupération consciente du contexte qui relie l'entité à son environnement (réseau routier) et aux règles applicables. ¹⁹

●​ Processeur de requêtes : identifie les entités clés (Stop Sign, Intersection).

●​ Récupérateur : localise les sous-graphes pertinents dans l'ontologie du réseau routier.

●​ Organisateur : élague les nœuds non pertinents (p. ex. données météo si elles ne sont pas pertinentes pour une infraction au stop) afin de présenter une topologie de décision nette. ¹⁸

2.4 Reconstruction multidimensionnelle : intégrer l'espace et le temps

Un graphe statique est insuffisant pour les accidents de la circulation ; l'événement est intrinsèquement dynamique. Le KGER de Veriprajna incorpore des couches spatio-temporelles pour créer une reconstruction 4D :

2.4.1 Couche spatiale (la carte) Nous intégrons des données SIG et des ontologies de réseau routier pour modéliser l'environnement statique. Cela inclut la connectivité des voies, la géométrie des intersections et l'emplacement des dispositifs de contrôle.12

●​ Connectivité des voies : modéliser SuccessorLane et PredecessorLane pour valider si une manœuvre (p. ex. un demi-tour) était géométriquement possible.

●​ Logique d'intersection : modéliser ConflictingConnectors — des trajectoires qui ne peuvent pas être occupées simultanément sans collision. Si un impact survient sur un connecteur conflictuel, la topologie du graphe met immédiatement en évidence le conflit de priorité. ²¹

2.4.2 Couche temporelle (la chronologie) Le graphe modélise l'état du monde à des pas de temps discrets : $t_0$ (pré-collision), $t_1$ (collision), et $t_2$ (post-collision).

●​ Algèbre des intervalles d'Allen : nous modélisons des relations temporelles telles que Vehicle_A_Entering chevauche Light_Red_State.

●​ Séquence d'événements : une chaîne de nœuds (Event_1)-->(Event_2) permet au système de retracer la chaîne causale menant à la collision. ²²

Cela permet une interrogation rétroactive : « À t-5 secondes, quelle était la relation entre le Véhicule A et le Stop Sign ? » Si la relation était APPROACHING et que la propriété de vitesse était 60 mph, le système infère une forte probabilité d'infraction, indépendamment du récit ultérieur du conducteur. ²²

2.5 Vérité déterministe vs. vérité probabiliste

La proposition de valeur centrale du KGER est le passage à la vérité déterministe . Dans un graphe, si le Véhicule A est lié au Stop Sign par une arête VIOLATED (dérivée de la télémétrie ou d'un consensus de témoins), ce fait est verrouillé. Le raisonnement en aval utilise cette arête comme contrainte dure.

Un LLM lisant le rapport pourrait être influencé par les excuses ou la détresse émotionnelle du conducteur A ; le moteur de raisonnement sur graphe ne voit que le nœud d'infraction. La justice porte sur les faits, et les faits dans notre système sont des nœuds immuables dans une topologie vérifiée. Cette approche résout la stabilité problème : exécuter l'analyse 100 fois sur le même graphe produit exactement la même détermination de responsabilité 100 fois, un exploit impossible pour des LLM stochastiques. ²⁵

Partie III : l'ontologie du choc – formaliser la réalité de la circulation

Pour construire une reconstruction lisible par machine d'un accident, nous devons d'abord définir le vocabulaire de la route. C'est l'ontologie : une spécification formelle des concepts et des relations qui existent dans le domaine de la sécurité routière et de la responsabilité. L'ontologie de Veriprajna n'est pas un simple dictionnaire de données ; c'est un cadre sémantique qui comble l'écart entre la réalité physique d'un choc et les catégories juridiques de la responsabilité.

3.1 Le schéma du graphe de connaissances des accidents de la circulation (TAKG)

Notre ontologie adopte un principe de conception descendant, intégrant des éléments issus de normes établies (telles que la Convention de Vienne sur la circulation routière et des codes de la route d'États américains spécifiques) tout en permettant un enrichissement ascendant à partir des données. ¹³ Elle est conçue pour être exhaustive, couvrant plus de 110 types d'entités et de relations afin d'assurer des capacités de reconstruction à grain fin.

Tableau 1 : classes d'ontologie centrales (TAKG)

Classe d'ontologie	Sous-classes et exemples	Description
Agent	Driver, Pedestrian, Cyclist, Witness, PoliceOfcer	Les acteurs humains impliqués dans l'événement.
Object	Vehicle (PassengerCar, Truck, Motorcycle), Obstacle, Debris	Objets physiques interagissant dans la scène.
Infrastructure	RoadSegment, Lane, Intersection, TrafcSignal (StopSign, YieldSign, TrafcLight), Crosswalk, LimitLine	L'environnement statique et les dispositifs de contrôle.
Event	Collision, LaneChange, BrakingManeuver, Turn, Stop	Actions ou occurrences dotées d'une durée temporelle.
Condition	Weather (Rain, Fog, Clear), Lighting, RoadSurfaceCondition (Wet, Icy)	Facteurs environnementaux influençant la dynamique des véhicules.
Measure	Speed, Distance, SkidMarkLength, BAC (Blood Alcohol Content)	Métriques quantifiables associées aux objets/agents.

3.2 Relations sémantiques (les arêtes de la responsabilité)

La puissance du graphe réside dans les arêtes qui définissent l'interaction. Ces arêtes transforment des entités isolées en un scénario cohérent.

●​ Relations spatiales : IS_ON (Vehicle -> Lane), APPROACHING (Vehicle -> Intersection), COLLOCATED_WITH (Vehicle -> Vehicle), LOCATED_AT (Accident -> Intersection).

●​ Relations causales : IMPACTED (Vehicle -> Vehicle), CAUSED (Condition -> Event), RESULTED_IN (Maneuver -> Collision).

●​ Relations déontiques (juridiques) : HAS_RIGHT_OF_WAY_OVER (Vehicle -> Vehicle), YIELDS_TO (Vehicle -> Pedestrian), VIOLATES (Action -> Rule), COMPLIES_WITH (Action -> Rule).

Ce schéma structuré garantit que chaque fait extrait a une place précise. La phrase « The car hit the truck » devient (Vehicle_A)-->(Vehicle_B). La phrase « The driver ran the red light » devient (Driver_A)-->(Action_Entry)-->(Rule_RedLight). ¹²

3.3 Fusion de données et résolution d'entités

Les données du monde réel sont désordonnées et souvent contradictoires. Un rapport de police peut dire « nord, » tandis qu'un témoin dit « vers la ville. » Le KG agit comme un moteur de fusion de données .

3.3.1 Résolution d'entités Si le rapport A mentionne « the red Ford » et le rapport B « the pickup », le système utilise des attributs (couleur, marque, plaque d'immatriculation) pour les résoudre en un seul nœud Vehicle. Nous employons une désambiguïsation d'entités fondée sur LLM pour fusionner les entités dupliquées extraites de différents fragments de texte.¹⁴

3.3.2 Détection de conflits via la topologie du graphe Si le témoin A dit « The light was green » et le témoin B « The light was red », le graphe enregistre les deux comme propriétés conflictuelles ou comme nœuds Observation distincts liés au TrafficLight.

●​ Witness_A --> (State_Green)

●​ Witness_B --> (State_Red) ​

Le moteur de raisonnement signale cela comme un fait contesté. Contrairement à un LLM qui pourrait halluciner une résolution selon le témoin qui a raconté une « meilleure histoire » (biais de verbosité), le moteur de graphe conserve le conflit comme une variable non résolue, empêchant une décision de responsabilité prématurée jusqu'à ce que des preuves supplémentaires (p. ex. vidéo de caméra de bord) soient fusionnées.13

Partie IV : codifier le droit – du langage naturel à la logique déontique

L'innovation fondamentale de Veriprajna est la traduction des règles de circulation, d'un langage naturel ambigu, en logique déontique exécutable. Un code de la route n'est pas un récit ; c'est un ensemble de contraintes logiques comprenant Obligations, Interdictions et Permissions. Les LLM traitent les lois comme du texte à résumer ; nous les traitons comme du code à exécuter. ²⁸

4.1 Les limites du « sens ordinaire » en IA

Les tribunaux interprètent souvent les lois selon le « sens ordinaire », mais l'interprétation par l'IA d'un tel sens est hautement instable. Modifier légèrement l'invite peut conduire un LLM à interpréter une disposition législative différemment, ou à halluciner des exceptions qui n'existent pas. ²⁹ Pour parvenir à une détermination de responsabilité cohérente, nous devons formaliser le droit en une logique qui élimine cette variance.

4.2 Logique déontique défaisable (DDL)

Nous utilisons la logique déontique défaisable (DDL) pour formaliser les règles de circulation. La DDL est uniquement adaptée au droit parce qu'elle traite les normes (ce qui devrait se produire) et les exceptions (défaisabilité) nativement. ²⁸

Une règle de circulation standard se compose de :

1.​ Conditions (antécédents) : les déclencheurs factuels (p. ex. l'approche d'un panneau stop). 2.​ Opérateur déontique : l'exigence normative ( Obligation [O], Interdiction [F], Permission [P] ). 3.​ Exception (défaisseur) : une condition qui prime sur la règle primaire (p. ex. une indication de police).

Le processus de formalisation ²⁸ :

1.​ Définir les atomes : extraire les prédicats du texte de la disposition législative (p. ex. Approaching(Driver, Sign), Stop(Driver)). 2.​ Déterminer les normes : identifier si la règle est une Obligation, une Interdiction ou une Permission. 3.​ Identifier la structure : cartographier la relation « Si-Alors ». 4.​ Appliquer la logique : convertir en notation DDL.

Exemple de structure logique :

$$R1: Approaching(x, StopSign) \Rightarrow [O] Stop(x) \\ R2: DirectedByPolice(x) \Rightarrow [P] \neg Stop(x) \\ R2 > R1$$ (L'indication de police prime sur le panneau).

Cette structure formelle permet au système de raisonner : « Le conducteur s'est-il arrêté ? » Si Stop(x) est faux, et DirectedByPolice(x) est faux, alors Violation(R1) est vrai. Aucun sentiment n'intervient — seulement de la logique. ³⁰

4.3 Étude de cas : formaliser la règle du « panneau stop » (California Vehicle Code § 21802)

Examinons le California Vehicle Code § 21802 relatif aux panneaux stop pour démontrer comment le texte devient de la logique. ³²

Texte de la disposition législative : (a) « The driver of any vehicle approaching a stop sign... shall stop... The driver shall then yield the right-of-way to any vehicles which have approached from another highway... »

Cartographie logique Veriprajna :

Règle 1 : l'obligation de s'arrêter

●​ Déclencheur : Event(Approaching_Intersection) AND Infrastructure(Stop_Sign)

●​ Obligation : Action(Stop) définie comme Speed(Vehicle) == 0 at Location(Limit_Line).

●​ Condition d'échec : Speed(Vehicle) > 0 at Location(Intersection_Entry).

●​ Résultat : Fault(Failure_To_Stop_22450).

Règle 2 : l'obligation de céder le passage

●​ Déclencheur : Action(Stopped) AND Detected(Other_Vehicle_In_Intersection) OR Detected(Other_Vehicle_Approaching_Hazard).

●​ Obligation : Action(Wait) UNTIL Location(Other_Vehicle)!= Intersection AND Hazard == False.

●​ Condition d'échec : Entry_Time(Vehicle_A) < Exit_Time(Vehicle_B) AND Collision == True.

●​ Résultat : Fault(Failure_To_Yield_21802a).

Règle 3 : le basculement de la priorité (CVC § 21802(b))

●​ Déclencheur : Action(Stopped) == True AND Action(Yielded) == True.

●​ Permission : [P] Proceed.

●​ Nouvelle obligation (pour les autres) : Approaching_Vehicles => [O] Yield_To(Vehicle_Entering).

En projetant le graphe physique (la reconstruction de la vitesse et de la position de la voiture) contre ce modèle logique, nous déterminons la responsabilité. Si le graphe montre que le Véhicule A est entré dans l'intersection tandis que le Véhicule B était présent (is_in_intersection = True), le moteur logique déclenche une infraction à l'obligation de céder le passage. C'est un fait calculé, non une opinion de LLM. ³⁴

4.4 Traiter les exceptions et le vague via un ancrage neuro-symbolique

Les règles de circulation contiennent des termes vagues comme « danger immédiat » ou « distance de sécurité ». ²⁹ La logique pure peine avec le vague ; les LLM purs l'hallucinent. Veriprajna utilise une approche neuro-symbolique hybride pour ancrer ces termes.

●​ Ancrage ontologique : nous définissons « Immediate hazard » dans l'ontologie à l'aide de proxies physiques. Immediate_Hazard $\equiv$ Time_To_Collision (TTC) < 3.0 secondes ou Distance < Braking_Distance.

●​ Calcul sur graphe : le système calcule le TTC à partir des nœuds Speed et Distance dans le graphe reconstruit.

●​ Exécution logique : si le TTC calculé < 3 s, le nœud Immediate_Hazard est activé.

La règle Yield_If(Immediate_Hazard) se déclenche alors.

Cela lève l'ambiguïté. Nous ne demandons pas au LLM « Était-ce dangereux ? » Nous calculons le danger à partir de la physique et appliquons le droit à partir de la logique. ³⁶

Partie V : détermination algorithmique de la faute – la topologie comme preuve

Une fois l'événement reconstruit comme graphe de connaissances et les lois formalisées comme logique, la détermination de la faute devient un problème de parcours de graphe. La justice se trouve dans la topologie — la structure des connexions entre actions et règles.

5.1 Détection d'infractions via le parcours de graphe

Le système interroge le graphe pour des motifs qui correspondent à des sous-graphes d'infraction .

●​ Motif : (Vehicle)-->(Action)-->(Rule)

●​ Processus : le moteur itère sur chaque agent du graphe. Il vérifie leurs actions contre les règles de logique déontique applicables à leur emplacement (p. ex. vérifier les règles de panneau stop seulement si le véhicule est connecté à un nœud Stop Sign).

●​ Résultat : une liste d'infractions vérifiées. « Vehicle A violated Rule 21802(a) (Failure to Stop) at timestamp 12:01:30. »

C'est une sortie déterministe. Pour un même graphe, le système trouvera toujours la même infraction. Cela résout le problème de stabilité des LLM, garantissant que le processus d'adjudication est répétable et cohérent. ²⁵

5.2 Inférence causale et contrefactuels

La faute n'est pas seulement l'infraction à une règle ; c'est la causalité. « L'infraction a-t-elle causé l'accident ? » Un conducteur peut avoir un permis expiré (infraction) mais être percuté par l'arrière à l'arrêt à un feu rouge (pas de causalité pour l'accident).

Veriprajna utilise des graphes de connaissances causaux (CausalKG) pour mener un raisonnement contrefactuel . ¹⁰

●​ La question : « La collision se serait-elle produite si le Véhicule A s'était arrêté ? »

●​ La méthode (simulation) : le système crée une « branche contrefactuelle » du graphe. Il modifie la propriété Speed du Véhicule A à 0 à la ligne d'arrêt. Il exécute ensuite la simulation physique vers l'avant (en utilisant la couche temporelle) pour voir si les trajectoires s'intersectent.

●​ Le résultat : si le nœud de collision disparaît dans le graphe contrefactuel, alors l' infraction est la cause prochaine .

Cela dépasse la corrélation (« Il dépassait la vitesse et il a eu un accident ») pour aller à la causalité (« L' excès de vitesse a causé l'accident »). Les LLM ne peuvent pas exécuter cette simulation ; ils ne peuvent que la deviner à partir du texte. Notre moteur de graphe simule la réalité alternative pour prouver la responsabilité. ¹⁰

Types d'effets causaux modélisés :

●​ Effet causal total : l'impact de base de l'infraction sur la collision.

●​ Effet direct naturel : causes non planifiées (p. ex. angles morts).

●​ Effet indirect naturel : actes non sûrs (p. ex. perte de contrôle due à une distraction). ²³

5.3 Topologie de la responsabilité : centralité de la faute

Dans les accidents complexes impliquant plusieurs véhicules, la faute peut être partagée. Nous analysons la topologie du graphe pour attribuer des pourcentages de responsabilité. ³⁹

●​ Analyse de la chaîne causale : nous retraçons le chemin des arêtes menant au nœud Collision.

●​ Centralité des nœuds : si le nœud Distraction du conducteur A est le parent du nœud Lane Departure, lui-même parent du nœud Collision, alors le conducteur A a une forte « centralité de faute ».

●​ Négligence comparative : si le conducteur B a aussi un nœud d'infraction (p. ex. Speeding) qui se relie à la collision, le système attribue un poids selon la gravité du lien causal (p. ex. Lane Departure > Speeding en impact causal).

Cela fournit une base mathématique à la faute comparative (p. ex. 80 % / 20 %), une exigence critique pour les règlements d'assurance que les LLM peinent à quantifier de façon fiable. ⁴¹

Partie VI : stratégie de mise en œuvre et architecture

La solution de Veriprajna n'est pas théorique. C'est une architecture robuste, modulaire, conçue pour l'intégration dans les flux d'assurance et juridiques d'entreprise. Cette section décrit la pile technique et la stratégie de déploiement.

6.1 Le pipeline neuro-symbolique (architecture sandwich)

Nous employons une « architecture sandwich » où l'IA neuronale (LLM) traite l'entrée non structurée désordonnée, et l'IA symbolique (logique/graphe) assure le raisonnement rigoureux, avec une couche neuronale finale pour l'explication.

Étape 1 : ingestion et extraction (la couche neuronale)

●​ Entrée : rapports de police (PDF), audio de témoins, données télématiques (JSON).

●​ Traitement :

○​ OCR et numérisation parole-vers-texte.

○​ Extraction d'entités par LLM : des invites spécialisées extraient les entités (Vehicles, Signs) et les normalisent vers l'ontologie TAKG. ¹⁴

○​ Vérification de contraintes : la sortie du LLM est validée contre l'ontologie. Si elle extrait un « stop sign » là où la base cartographique n'en indique aucun, le système signale un conflit de données.

Étape 2 : construction et fusion du graphe (la couche structurelle)

●​ Base de données : Neo4j ou triplestore RDF.

●​ Fusion : fusion des données du rapport de police avec le jumeau numérique du réseau routier (GIS).

●​ Enrichissement : calcul de propriétés dérivées (p. ex. inférer la vitesse à partir des nœuds de longueur de traces de freinage). ¹³

Étape 3 : raisonnement et adjudication (la couche symbolique)

●​ Moteur logique : un solveur spécialisé (p. ex. Drools ou un moteur DDL Python sur mesure) exécute les règles de logique déontique contre le graphe.

●​ Simulateur causal : exécute des contrôles contrefactuels pour la cause prochaine.

●​ Sortie : un rapport de responsabilité structuré détaillant les infractions et les liens causaux.

Étape 4 : explication et génération (la couche neuronale)

●​ Sortie finale : un LLM est utilisé uniquement à la fin pour convertir le rapport de responsabilité structuré en un récit en langage naturel lisible. Ce récit est strictement ancré dans les faits du graphe, empêchant l'hallucination. Il explique pourquoi la décision a été prise à partir des règles de logique. ⁴⁴

6.2 Auditabilité et explicabilité (XAI)

Un avantage clé du KGER est l'explicabilité .

●​ Traçabilité : chaque conclusion peut être retracée jusqu'à un nœud et une règle spécifiques. « Pourquoi le conducteur A est-il en faute ? » -> « Parce que le nœud Vehicle_A a enfreint la règle R1 (Stop Sign) au temps t. »

●​ Preuve visuelle : le graphe de connaissances peut être visualisé, montrant la chaîne exacte d'événements et de logique. C'est bien plus persuasif au tribunal qu'un bloc de texte LLM opaque. ⁴⁵

●​ Conformité : cette approche déterministe satisfait les exigences réglementaires d' « IA explicable » dans la prise de décision financière et juridique, auxquelles les modèles boîte noire échouent souvent. ⁴⁶

Partie VII : impact métier et ROI pour les assureurs

L'adoption de la reconstruction d'événements par graphe de connaissances de Veriprajna offre une valeur transformatrice aux assureurs, allant au-delà de l'efficacité vers l'exactitude fondamentale et la maîtrise des sinistres.

7.1 Réduire les fuites de sinistres et les coûts de contentieux

La « fuite » survient lorsque les assureurs paient plus qu'ils ne le devraient en raison d'une évaluation inexacte de la responsabilité. Un LLM probabiliste pourrait suggérer un partage 50/50 parce que les récits sont brouillons ou que l'utilisateur l'a mal interrogé. La logique déterministe de Veriprajna pourrait révéler une responsabilité

claire 100/0 fondée sur une infraction spécifique à la priorité.

●​ Précision : en identifiant exactement la faute, les assureurs évitent le trop-payé sur les sinistres de responsabilité.

●​ Défense : la piste d'audit fournie par le KG permet une défense robuste en subrogation et en contentieux. Il est difficile d'argumenter contre un graphe dérivé de la physique et de la logique. ⁴⁷

7.2 Accélérer le traitement de bout en bout (STP)

Les efforts d'automatisation actuels peinent avec la responsabilité complexe. Les simples accrochages sont automatisés ; les collisions aux intersections vont aux humains.

●​ STP neuro-symbolique : Veriprajna permet le STP pour les sinistres complexes en fournissant une couche « Juge » fiable. Si la logique du graphe calcule 100 % de certitude d'infraction à une règle, le sinistre peut être réglé automatiquement sans intervention humaine.

●​ Efficacité : cela réduit les délais de cycle de semaines à minutes pour une part significative des sinistres, augmentant la satisfaction client (NPS). ⁴⁹

7.3 Cohérence opérationnelle

Les experts humains varient dans leur jugement. L'un peut interpréter une règle d'une façon ; un autre peut différer. Les LLM varient encore plus (stochasticité).

●​ Standardisation : le moteur logique applique les mêmes règles formalisées à chaque sinistre. Cette cohérence est vitale pour la conformité réglementaire et la gestion de portefeuille à grande échelle. Cela reflète l'approche de leaders du secteur comme Kennedys IQ, qui ont adopté l'IA neuro-symbolique précisément pour éliminer la préoccupation de la « boîte noire ». ⁴⁵

7.4 Tableau : comparaison du ROI – wrapper LLM vs. Veriprajna

Métrique	Wrapper LLM (probabiliste)	Veriprajna KGER (déterministe)
Exactitude de la faute	Faible (susceptible à la verbosité/sycophantie)	Élevée (fondée sur la physique/logique)
Auditabilité	Faible (boîte noire)	Élevée (graphe traçable)
Risque d'hallucination	Élevé (fabrique des lois/faits)	Quasi nul (contraint par l'ontologie)
Cohérence	Faible (varie selon l'invite/l'exécution)	100 % (fondé sur des règles)
Raisonnement complexe	Échoue à l'abductif/causal	Excelle aux contrefactuels

Conclusion : la justice est un graphe, non une probabilité

Les industries juridique et de l'assurance se tiennent à un carrefour. L'attrait de l'IA générative est fort — elle est facile à mettre en œuvre et produit un texte d'apparence impressionnante. Mais dans le domaine du droit, paraître impressionnant n'est pas la même chose qu'avoir raison. Dans le domaine de la faute et de la responsabilité, être « à peu près dans le vrai » c'est avoir tort.

Demander à un LLM de lire un rapport de police et de juger la responsabilité, c'est demander à un poète de faire de la physique. Il vous donnera une belle réponse, mais ce sera vraisemblablement de la fiction.

Veriprajna offre une autre voie. Nous croyons que la justice porte sur les faits. Elle porte sur les relations précises entre entités dans l'espace et le temps, gouvernées par la logique rigide du droit. En construisant la reconstruction d'événements par graphe de connaissances, nous ôtons le bruit du sentiment et de la verbosité. Nous extrayons le signal — les entités, les vecteurs, les règles — et les projetons dans une structure déterministe. Nous déterminons la faute en mesurant la topologie de l'événement contre la topologie du droit.

Ce n'est pas seulement de l'« IA ». C'est de l'IA neuro-symbolique — la fusion de l'apprentissage et de la logique. C'est le seul chemin vers un avenir où la responsabilité automatisée n'est pas seulement efficiente mais aussi rigoureusement, démontrablement juste.

Arrêtez de deviner. Commencez à reconstruire.

Ouvrages cités

1. The Intricacies of Evaluating Large Language Models with LLM-as-a-Judge Medium, consulté le 11 décembre 2025, https://medium.com/@vineethveetil/the-intricacies-of-evaluating-large-language-models-with-llm-as-a-judge-8034a3f34b28

2. LLM-as-a-Judge is Bad, Based on AI Attempting the Exam Qualifying for the Member of the Polish National Board of Appeal - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2511.04205v1

3. The perils of politeness: how large language models may amplify medical misinformation, consulté le 11 décembre 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12592531/

4. Sycophancy in AI: Challenges in Large Language Models and Argumentation Graphs, consulté le 11 décembre 2025, https://www.researchgate.net/publication/389939533_Sycophancy_in_AI_Challenges_in_Large_Language_Models_and_Argumentation_Graphs

5. SycEval: Evaluating LLM Sycophancy - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2502.08177v4

6. Hallucinating Law: Legal Mistakes with Large Language Models are Pervasive, consulté le 11 décembre 2025, https://hai.stanford.edu/news/hallucinating-law-legal-mistakes-large-language-models-are-pervasive

7. A guide for lawyers to understanding how LLMs work - Advocate Magazine, consulté le 11 décembre 2025, https://www.advocatemagazine.com/article/2025-august/a-guide-for-lawyers-to-understanding-how-llms-work

8. Do large language models have a legal duty to tell the truth? | Royal Society Open Science, consulté le 11 décembre 2025, https://royalsocietypublishing.org/rsos/article/11/8/240197/92624/Do-large-language-models-have-a-legal-duty-to-tell

9. Assessing the Reasoning Capabilities of LLMs in the context of Evidence-based Claim Verification - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2402.10735v3

10. Causal Knowledge Graph for Scene Understanding in Autonomous Driving Scholar Commons, consulté le 11 décembre 2025, https://scholarcommons.sc.edu/cgi/viewcontent.cgi?article=1632&context=aii_fac_pub

11. Unraveling Complex Crimes with Knowledge Graph Software for Police Cognyte, consulté le 11 décembre 2025, https://www.cognyte.com/blog/knowledge-graph-software/

12. Spatial Knowledge Graph for Analyzing Traffic Accident Data | LBS 2023, consulté le 11 décembre 2025, https://lbs2023.lbsconference.org/wp-content/uploads/2024/03/4_6-Spatial-Knowledge-Graph-for-Analyzing-Traffic-Accident-Data.pdf

13. A Construction and Representation Learning Method for a Traffic ..., consulté le 11 décembre 2025, https://www.mdpi.com/2076-3417/15/11/6031

14. How to Convert Unstructured Text to Knowledge Graphs Using LLMs - Neo4j, consulté le 11 décembre 2025, https://neo4j.com/blog/developer/unstructured-text-to-knowledge-graph/

15. Entity Extraction of Key Elements in 110 Police Reports Based on Large Language Models, consulté le 11 décembre 2025, https://www.mdpi.com/2076-3417/14/17/7819

16. GraphRAG in Practice: How to Build Cost-Efficient, High-Recall Retrieval Systems, consulté le 11 décembre 2025, https://towardsdatascience.com/graphrag-in-practice-how-to-build-cost-efficient-high-recall-retrieval-systems/

17. Knowledge Graph Analysis of Legal Understanding and Violations in LLMs - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2511.08593v1

18. What is GraphRAG? - IBM, consulté le 11 décembre 2025, https://www.ibm.com/think/topics/graphrag

19. How GraphRAG Elevates LLMs - Redhorse Corporation, consulté le 11 décembre 2025, https://redhorsecorp.com/how-graphrag-elevates-llms/

20. GraphRAG: Unlocking LLM discovery on narrative private data - Microsoft Research, consulté le 11 décembre 2025, https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/

21. (PDF) Ontology-Based Traffic Scene Modeling, Traffic Regulations Dependent Situational Awareness and Decision-Making for Automated Vehicles ResearchGate, consulté le 11 décembre 2025, https://www.researchgate.net/publication/317379471_Ontology-Based_Traffic_Scene_Modeling_Traffic_Regulations_Dependent_Situational_Awareness_and_Decision-Making_for_Automated_Vehicles

22. Automatic Text-to-Scene Conversion in the Traffic Accident Domain. ResearchGate, consulté le 11 décembre 2025, https://www.researchgate.net/publication/220812879_Automatic_Text-to-Scene_Conversion_in_the_Traffic_Accident_Domain

23. CausalKG: Causal Knowledge Graph - arXiv, consulté le 11 décembre 2025, https://arxiv.org/pdf/2201.03647

24. Comprehensive Forensic Tool for Crime Scene and Traffic Accident 3D Reconstruction, consulté le 11 décembre 2025, https://www.mdpi.com/1999-4893/18/11/707

25. (PDF) Deterministic Legal Retrieval: An Action API for Querying the SAT-Graph RAG, consulté le 11 décembre 2025, https://www.researchgate.net/publication/396291946_Deterministic_Legal_Retrieval_An_Action_API_for_Querying_the_SAT-Graph_RAG

26. Why Knowledge Graphs Beat RAG for Incident Response - BACCA.AI, consulté le 11 décembre 2025, https://www.bacca.ai/blog/why-knowledge-graphs-beat-rag-for-incident-response

27. Integration of road context information into knowledge graph for intelligent analysis of road accidents - ResearchGate, consulté le 11 décembre 2025, https://www.researchgate.net/publication/398038115_Integration_of_road_context_information_into_knowledge_graph_for_intelligent_analysis_of_road_accidents

28. Traffic rule formalization for autonomous vehicle - Institutional Knowledge (InK) @ SMU, consulté le 11 décembre 2025, https://ink.library.smu.edu.sg/context/cclaw/article/1008/viewcontent/8._Traffic_Rule_Formalization_for_Autonomous_Vehicle.pdf

29. Not ready for the bench: LLM legal interpretation is unstable and out of step with human judgments - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2510.25356v1

30. A Kelsenian Deontic Logic - TICAMORE, consulté le 11 décembre 2025, https://ticamore.logic.at/publications/CiaParSar2021.pdf

31. Modelling Fault Tolerance using Deontic Logic: a case study - MacSphere, consulté le 11 décembre 2025, https://macsphere.mcmaster.ca/bitstreams/975fd64c-3c02-4679-8996-fad7495998ec/download

32. California Code, Vehicle Code - VEH § 21802 - Codes - FindLaw, consulté le 11 décembre 2025, https://codes.findlaw.com/ca/vehicle-code/veh-sect-21802/

33. California Vehicle Code Section 21802: Failure to Stop - Simmrin Law Group, consulté le 11 décembre 2025, https://www.simmrinlawgroup.com/california-vehicle-code-section-21802/

34. Section 5 Continued | Georgia Department of Driver Services, consulté le 11 décembre 2025, https://dds.georgia.gov/section-5-continued

35. Revised Statutes of Missouri, RSMo Section 304.351 - MO.gov, consulté le 11 décembre 2025, https://revisor.mo.gov/main/OneSection.aspx?section=304.351

36. Integrating Legal and Logical Specifications in Perception, Prediction, and Planning for Automated Driving: A Survey of Methods - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2510.25386v1

37. Formalizing Traffic Rules for Machine Interpretability - mediaTUM - Technische Universität München, consulté le 11 décembre 2025, https://mediatum.ub.tum.de/doc/1574461/1mjbi1qterg2szw5g2q93wf60.FormalizingTrafficRules.pdf

38. Causal Knowledge Graph for Scene Understanding in Autonomous Driving, consulté le 11 décembre 2025, https://scholarcommons.sc.edu/aii_fac_pub/615/

39. (PDF) Fault Diagnosis Based on Graph Theory and Linear Discriminant Principle in Electric Power Network - ResearchGate, consulté le 11 décembre 2025, https://www.researchgate.net/publication/284092877_Fault_Diagnosis_Based_on_Graph_Theory_and_Linear_Discriminant_Principle_in_Electric_Power_Network

40. Spatio-Temporal Graph Neural Networks for SDE inducing Faults Predication under Functional Test - arXiv, consulté le 11 décembre 2025, https://arxiv.org/pdf/2509.06289

41. Liability Rules for Automated Vehicle: Definitions and Details - University of Miami School of Law Institutional Repository, consulté le 11 décembre 2025, https://repository.law.miami.edu/cgi/viewcontent.cgi?article=2243&context=fac_articles

42. An accident portrait based on the traffic accident knowledge graph. ResearchGate, consulté le 11 décembre 2025, https://www.researchgate.net/figure/An-accident-portrait-based-on-the-traffic-accident-knowledge-graph_fig8_362755211

43. Turning Unstructured Data into Structured Data: A Step-by-Step Guide - Domo, consulté le 11 décembre 2025, https://www.domo.com/learn/article/unstructured-data-to-structured-data

44. ATA: A Neuro-Symbolic Approach to Implement Autonomous and Trustworthy Agents - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2510.16381v1

45. Kennedys IQ launches InsurTech's first neuro-symbolic AI solution for global insurance market, consulté le 11 décembre 2025, https://fintech.global/2025/03/20/kennedys-iq-launches-insurtechs-first-neuro-symbolic-ai-solution-for-global-insurance-market/

46. Insurtech Kennedys IQ launches neuro-symbolic AI solution for insurance market - Beinsure, consulté le 11 décembre 2025, https://beinsure.com/news/kennedys-iq-launches-gen-ai/

47. How Top Insurers Use AI to Drive ROI in Claims Automation - UST, consulté le 11 décembre 2025, https://www.ust.com/en/insights/how-top-insurers-are-using-ai-to-speed-up-settlements-and-deliver-measurable-roi-across-the-claims-lifecycle

48. Aviva: Rewiring the insurance claims journey with AI | Tech and AI | McKinsey & Company, consulté le 11 décembre 2025, https://www.mckinsey.com/capabilities/tech-and-ai/how-we-help-clients/rewired-in-action/aviva-rewiring-the-insurance-claims-journey-with-ai

49. Insurance Claims AI Agent: 99% Straight-Through Processing & 246% ROI - Roots Automation, consulté le 11 décembre 2025, https://www.roots.ai/case-studies/insurance-claims-automation-ai-agent-straight-through-processing

50. The Complete Guide to Insurance Claims Automation - VCA Software, consulté le 11 décembre 2025, https://vcasoftware.com/insurance-claims-automation/

51. Kennedys IQ launches Insurtech industry's first neuro-symbolic AI solution for global insurance market, consulté le 11 décembre 2025, https://www.kennedyslaw.com/en/news/2025/kennedys-iq-launches-insurtech-industry-s-first-neuro-symbolic-ai-solution-for-global-insurance-market/