La nouvelle version du moteur graphique de PuppyGraph promet de cadrer les requêtes d’agents IA grâce à un schéma généré automatiquement et au support du protocole MCP. Des analystes y voient des économies possibles et moins d’erreurs, tout en pointant des choix de modélisation, de coûts et de charges à maîtriser.
Des usages surtout analytiques et des coûts à anticiper
Des analystes estiment que le moteur de PuppyGraph vise principalement des requêtes analytiques. Les applications requérant des écritures à faible latence ou de forts volumes de mises à jour transactionnelles pourraient rester mieux servies par des bases de données graphiques natives. La performance et les coûts dépendront en partie des plateformes sous‑jacentes interrogées, entrepôts et lakehouses inclus, ce qui conduit à recommander une modélisation des coûts avant de généraliser les déploiements. Les DSI sont invités à apprécier la maturité et la capacité de support de PuppyGraph avant d’en faire une composante critique. La qualité des résultats dépendra aussi de la cohérence des schémas et de la qualité des données sources.
Un encadrement des requêtes d’agents par ontologie
Le moteur valide les requêtes des agents contre un schéma graphique et rejette les relations non définies, en renvoyant des retours pour correction. Cette « ontologie imposée » décrite par HFS Research tend à contraindre les agents aux entités et relations reconnues par l’entreprise. Selon cet analyste, elle réduit la génération de jointures invalides et la poursuite de relations inexistantes, limitant ainsi le risque de résultats peu fiables liés à des jointures défectueuses.
Des gains visés sur la complexité, la latence et les coûts
La mise à jour annonce des réductions de complexité, de latence et de coûts pour les requêtes d’agents IA couvrant des milliers de tables. L’exécution distribuée fragmente les requêtes et les exécute en parallèle sur plusieurs nœuds, un mécanisme présenté comme accélérant les traversées multi‑relations. Des économies de calcul sont évoquées si l’on limite l’information de schéma traitée et les tentatives de génération. Éviter le stockage en double et les pipelines de synchronisation peut aussi réduire la gestion et maintenir l’analyse graphique dans l’environnement régulé existant. Ces orientations s’inscrivent dans un contexte où 96 % des organisations visent la consolidation de leurs capacités de données, beaucoup gérant plus de 10 technologies, avec des coûts de préparation, stockage et service fréquemment cités comme freins à l’échelle de l’IA générative et agentique.
Vous voulez les meilleurs outils IA avant les autres ?
On teste et on décrypte les nouveaux outils IA chaque soir, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Pour les développeurs, modéliser une fois, interroger en graphe
Le constructeur de schéma assisté par IA transforme automatiquement des tables en entités, relations et propriétés, que les équipes peuvent examiner et approuver. Les agents exploitent ensuite ces schémas pour interroger sans identifier eux‑mêmes les tables ni construire des jointures SQL complexes. Des analystes estiment que cette approche peut réduire l’effort d’ingénierie et rendre plus naturelles les questions multi‑sauts, tout en s’affranchissant de pipelines vers un magasin graphique séparé. La complexité ne disparaît toutefois pas : elle se déplace vers la conception, la sélection des tables et clés, et la gouvernance du modèle.
Produit : moteur LPG unifié, SQL et MCP
Lancé en 2024, le moteur interroge bases relationnelles, entrepôts et lakehouses comme un seul graphe sans duplication des données. Il cartographie les tables en Labeled Property Graph avec nœuds, arêtes et propriétés, puis exécute les requêtes via un cluster de calcul distribué. La version actuelle accepte aussi des requêtes SQL classiques. Les intégrations MCP relient PuppyGraph à des agents et outils compatibles, qui accèdent ainsi aux capacités de requête dans leurs flux, sans nécessiter d’intégration spécifique par agent.
Adoption : clients, compatibilités et déploiement
PuppyGraph signale des usages chez AMD, Palo Alto Networks, Datadog, Netskope, Coinbase, Trend Micro, Baker Hughes, Sola Security, HighStreet Insurance Partners et Prevalent AI. La version prend en charge Apache Iceberg, Databricks, Snowflake, ClickHouse, DuckDB, PostgreSQL, Microsoft Fabric et Apache Hudi. Le déploiement peut se faire via Docker, Kubernetes ou les places de marché d’AWS, Microsoft Azure et Google Cloud. Basée à Santa Clara, la société livre avec PuppyGraph 1.0 un moteur graphique distribué destiné aux données d’entreprise et aux scénarios avec agents IA.
