يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية
مقالة بحثية
يقدم هذا البروتوكول سير عمل مدعوم بالذكاء الاصطناعي قابل للتكرار يضبط BERT لاستخراج الكيانات والعلاقات، ويستخدم شبكات عصبية بيانية لمحاذاة الأنطولوجيا، ويبني رسوم بيانية معرفية مؤسسية من بيانات غير منظمة، ويقيم بشكل منهجي أداء الاسترجاع الدلالي وكفاءة دعم القرار.
الكميات الكبيرة من البيانات التنظيمية غير المنظمة يمكن أن تجعل من الصعب على أنظمة إدارة المعرفة في المؤسسات (KM) استخراج المعلومات الصحيحة والذات صلة بالسياق، مما قد يؤدي إلى مشاركة المعرفة غير الفعالة وتأخر اتخاذ القرار. تشير هذه الدراسة إلى إطار عمل موحد مدفوع بالذكاء الاصطناعي لتجاوز هذا القيد. يجمع بين شبكات الرسم البياني العصبي (GNNs) لمحاذاة الأنطولوجيا والاستدلال الدلالي، مع تمثيلات الترميز ثنائي الاتجاه المحسنة من المحولات (BERT) لاستخراج الكيانات والعلاقات الخاصة بالمجال. يشكل المسار المنهجي جمع البيانات المنهجية، والمعالجة المسبقة لمجموعات نصوص المؤسسات، وضبط BERT لتحديد الكيانات والعلاقات، وتحويل الثلاثيات المستخرجة إلى رسوم معرفية منظمة، ومحاذاة الأنطولوجيا المعتمدة على GNN لضمان الاتساق الدلالي عبر مصادر المعرفة غير المتجانسة، خط الأنابيب المنهجي. لتقييم فعالية النظام في سيناريوهات المؤسسات الواقعية، يدمج الإطار أيضا مقاييس تقييم موجهة نحو المهام، مثل دقة الاسترجاع، وصحة محاذاة الأنطولوجيا، وكمون اتخاذ القرار. عند المقارنة مع الطرق الأساسية، يظهر التحقق التجريبي عبر تطبيقين صناعيين انخفاضا بنسبة 35٪ في زمن استجابة اتخاذ القرار وزيادة بنسبة 21٪ في دقة استرجاع المعرفة.
علاوة على ذلك، تشير ملاحظات المستخدمين إلى أن واجهة KM عززت رضا المستخدمين من خلال ميزات البحث الدلالي وميزات الوسم السياقي. تسهل البنية المقترحة بناء رسم بياني معرفي قابل لإعادة إنتاجه من بيانات مؤسسية غير منظمة من خلال دمج الاستدلال القائم على الرسوم البيانية والتوافق مع استخراج المعلومات القائم على التعلم العميق بشكل منهجي. تظهر النتائج أن نتائج إدارة المعرفة الاستراتيجية والتشغيلية تحسنت عندما تتوافق تمثيلات المعرفة المنظمة مع إجراءات المنظمة. مع الأخذ في الاعتبار بشكل عام، تزيد الطريقة المقترحة من دقة الاسترجاع، وتسرع من أوقات استجابة سير العمل في اتخاذ القرار، وتوفر خيارا قابلا للتطبيق والتوسع لأنظمة إدارة الأنظمة على مستوى المؤسسة.
قد يكون من الصعب اعتماد إدارة البيانات الفعالة في برامج التحول الرقمي بسبب مستودعات البيانات المتفرقة، وتنوع المنصات التنظيمية، والمعرفة المجزأة المنتشرة عبر وثائق غير منظمة. لم يقترح الكثير من الأبحاث إطار عمل قابل للتكرار وقابل للتنفيذ تقنيا يستخرج وينظم ويطمئن وينفذ معرفة المؤسسات بشكل منهجي، رغم الدراسات السابقة التي تناولت تبني الذكاء الاصطناعي والتحول الرقمي من منظور تنظيمي وقطاعي 1,2,3. تركز الطرق الحالية بشكل أساسي على العواقب الإدارية أو الاستراتيجية، لكنها لا توفر تفاصيل معمارية كافية لنشر الموسع.
أنظمة إ....
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
البيان الأخلاقي
تمت مراجعة هذه الدراسة والموافقة عليها من قبل مجلس المراجعة المؤسسية (IRB) في الجامعة الوطنية في ماليزيا (UKM) قبل جمع البيانات (معرف الموافقة: UKM/FEP/2025/AI-047؛ تاريخ الموافقة: 12 مارس 2025). شمل البروتوكول المعتمد إدارة الاستطلاعات المنظمة والمقابلات شبه المنظمة التي تشمل مشاركين بشريين. تم إبلاغ جميع المشاركين بهدف الدراسة، والطبيعة الطوعية لمشاركتهم، وحقهم في الانسحاب في أي وقت دون عواقب، وتم الحصول على موافقة مكتوبة مستنيرة قبل إدراجهم. تم الحفاظ على سرية وسرية المشاركين بشكل صارم، دون تضمين معلومات شخصية قابلة للتعريف في التحليل أو النشر، وتم تخزين جميع البيانات بشكل ....
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المعالجة المسبقة للبيانات وضبط BERT الدقيق
يدمج الجهاز المقترح نسخة BERT مضبوطة بشكل أفضل لاستخراج الفهم غير المنظم وشبكة عصبية للرسم البياني (GNN) لمحاذاة الأنطولوجيا والاستدلال داخل إطار فهم الرسوم البيانية. كان إعداد التجربة يقارن الأداء العام لجانب BERT في مهام NER وRE، بينما تحول عامل GNN إلى فحص في تنبؤ الروابط وفئة العقدة عبر رسم الفهم المبني.
يتم الإبلاغ عن درجة F1 لمهمة NER ومهام RE في الجدول 3
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
تقدم هذه الدراسة إطار عمل موحد لإدارة الأنظمة المؤسسية يدمج الاستخراج الدلالي السياقي باستخدام BERT مع التفكير العلائقي القائم على الرسوم البيانية ومحاذاة الأنطولوجيا عبر شبكات GNN. ولتمكين ربط الكيانات، والتفكير عبر الوثائق، وتمثيل المعرفة المتماسك عبر مصادر بيانات الأعمال المختلفة، تكمن المساهمة الرئيسية في دمج النمذجة اللغوية السياقية العميقة مع الاستنتاج المنظم والواع بالوجود ضمن خط أنابيب واحد 3,4. من خلال معالجة أوجه القصور.......
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
لا يوجد تضارب في المصالح لدى المؤلفين
يشكر المؤلفون بكل امتنان الدعم الذي قدمته كلية الاقتصاد والإدارة، والجامعة الوطنية في ماليزيا، بانجي، ماليزيا، وكلية الأعمال.
....الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| نموذج BERT-Base (بدون غلافة) المدرب مسبقا | جوجل AI | لا يوجد | نموذج لغوي مدرب مسبقا يعتمد على المحول (نسخة بيرت-بيس-أنسد) |
| مكتبة الرسوم البيانية العميقة (DGL) | مختبرات AWS | RRID: SCR_017054 | الإصدار 2.1 المستخدم لنمذجة الشبكات العصبية البيانية |
| مكتبة التصور في ماتبلوتليب | مجتمع PyData | RRID: SCR_008624 | يستخدم لمخططات الأداء والتحليلات البصرية |
| مكتبة الرسوم البيانية NetworkX | مجتمع PyPI | RRID: SCR_005317 | الإصدار 3.2 المستخدم في بناء وتحليل الرسوم البيانية |
| مكتبة الحوسبة العددية NumPy | مجتمع PyData | ريد: SCR_008633 | يستخدم للعمليات العددية ومعالجة المصفوفة |
| بطاقة رسومات NVIDIA (تسلا T4 / RTX 3080) | شركة NVIDIA | ريد: SCR_016409 | مسرع الأجهزة المدعوم بتقنية CUDA لتدريب النماذج |
| مكتبة تحليل بيانات بانداس | مجتمع PyData | RRID: SCR_018214 | يستخدم في معالجة البيانات المنظمة |
| لغة البرمجة بايثون | مؤسسة بايثون للبرمجيات | RRID: SCR_008394 | الإصدار 3.10 المستخدم لتطوير النماذج ومعالجة البيانات |
| إطار عمل التعلم العميق PyTorch | الذكاء الاصطناعي الضخم | RRID: SCR_018536 | الإصدار 2.0 المستخدم في تنفيذ الشبكات العصبية |
| مكتبة تعلم الآلة Scikit-learn | مطورو Scikit-learn | RRID: SCR_002577 | الإصدار 1.5 المستخدم في المعالجة المسبقة ومقاييس التقييم |
| مكتبة ترانسفورمرز NLP | وجه العناق | ريد: SCR_020989 | الإصدار 4.40 المستخدم في نماذج المحولات المدربة مسبقا |
| نظام تشغيل أوبونتو لينكس | كانونيكال المحدودة. | RRID: SCR_018317 | بيئة تشغيل LTS للإصدار 20.04 |