Ein KI-Workflow, der bidirektionale Encoder-Darstellungen von Transformern (BERT) und Graph Neural Networks (GNNs) für die Wissensabrufe in digitalen Unternehmen kombiniert

Summary

Dieses Protokoll präsentiert einen reproduzierbaren, KI-gesteuerten Workflow, der BERT für Entitäts- und Relationsextraktion feinjustiert, neuronale Graphennetze für die Ontologieausrichtung verwendet, Unternehmenswissensgraphen aus unstrukturierten Daten erstellt und systematisch die semantische Abrufleistung sowie die Effizienz der Entscheidungsunterstützung bewertet.

Abstract

Große Mengen unstrukturierter Organisationsdaten können es Enterprise Knowledge Management (KM)-Systemen erschweren, korrekte und kontextuell relevante Informationen zu extrahieren, was zu ineffizientem Wissensaustausch und verzögerter Entscheidungsfindung führen kann. Diese Studie schlägt ein einheitliches, künstlich-intelligiertes Rahmenwerk vor, um diese Einschränkung zu überwinden. Es kombiniert Graph Neural Networks (GNNs) für Ontologie-Ausrichtung und semantisches Schließen mit verfeinerten bidirektionalen Encoder-Darstellungen von Transformers (BERT) für domänenspezifische Entitäts- und Relationsextraktion. Systematische Datenerhebung, Vorverarbeitung von Unternehmenstextkorpora, Feinabstimmung von BERT zur Identifizierung von Entitäten und Beziehungen, Umwandlung extrahierter Triples in strukturierte Wissensgraphen sowie GNN-basierte Ontologie-Ausrichtung zur Gewährleistung semantischer Konsistenz über heterogene Wissensquellen hinweg bilden die methodologische Pipeline. Um die Systemwirksamkeit in realen Unternehmensszenarien zu bewerten, integriert das Framework zudem aufgabenorientierte Bewertungsmaße wie Abrufgenauigkeit, Ontologie-Ausrichtungskorrektheit und Entscheidungslatenz. Im Vergleich zu Basismethoden zeigt die experimentelle Validierung in zwei Industrieanwendungen eine 35%ige Verringerung der Entscheidungslatenz und einen 21%igen Gewinn bei der Wissensabrufgenauigkeit.

Darüber hinaus deutet das Feedback der Nutzer darauf hin, dass die KM-Oberfläche die Nutzerzufriedenheit durch semantische Suche und kontextuelle Tagging-Funktionen gesteigert hat. Die vorgeschlagene Architektur erleichtert den Aufbau von reproduzierbaren Wissensgraphen aus unstrukturierten Unternehmensdaten, indem sie methodisch graphbasiertes Schließen und Ausrichtung mit der Deep-Learning-basierten Informationsextraktion verbindet. Die Ergebnisse zeigen, dass sich sowohl strategische als auch operative KM-Ergebnisse verbesserten, wenn organisierte Wissensrepräsentationen mit organisatorischen Verfahren in Einklang gebracht werden. Insgesamt erhöht die empfohlene Methode die Abrufgenauigkeit, beschleunigt die Reaktionszeiten im Entscheidungsablauf und bietet eine praktikable und skalierbare Option für KM-Systeme auf Unternehmensebene.

Introduction

Effektives KM kann in digitalen Transformationsprogrammen schwer zu übernehmen sein, da Datenrepositorien, vielfältige Organisationsplattformen und fragmentiertes Wissen über unstrukturierte Dokumente verteilt sind. Ein reproduzierbares, technisch umsetzbares Framework, das systematisch das Unternehmenswissen extrahiert, strukturiert, ausrichtet und operationalisiert, wurde von wenig Forschung vorgeschlagen, trotz früherer Studien, die sich mit KI-Einführung und digitaler Transformation aus organisatorischer und sektoraler Perspektive befassen (^1,2,3). Aktuelle Methoden konzentrieren sich hauptsächlich auf Management- oder strategische Konsequenzen, bieten aber nicht genügend architektonische Details für die Skalierungsbereitstellung.

Konventionelle Management-Informationssysteme (MIS) und Enterprise Resource Planning (ERP)-Systeme verarbeiten hauptsächlich strukturierte Daten und erleichtern transaktionale Berichterstattung, können jedoch unstrukturierten Text nicht verarbeiten oder kontextbewusstes semantisches Schließen durchführen. Andererseits werden kontextuelle Entitäten und RE aus komplizierten Textkorpora ^4,5 durch transformatorbasierte Modelle wie BERT ermöglicht. In ähnlicher Weise haben sich GNNs als sehr fähig zu relationalem Denken, Graphenrepräsentationslernen und Ontologie-Ausrichtung in verschiedenen Bereichen erwiesen ^6,7,8. Trotz dieser Entwicklungen verwendet die aktuelle Forschung diese Modelle meist getrennt, anstatt sie in eine kohärente geschäftliche KM-Pipeline zu integrieren.

Big Data Analytics, Cloud Computing, das industrielle Internet der Dinge und fortschrittliches maschinelles Lernen sind Beispiele für jüngste technische Fortschritte, die die digitale Transformation in Branchen wie Fertigung, Gesundheitswesen, professionelle Dienstleistungen^{und Governance} beschleunigt ^haben. Gleichzeitig legen internationale politische Rahmen großen Wert auf den verantwortungsvollen Einsatz von KI und betonen ethische Ausrichtung, Rechenschaftspflicht und Transparenz in digitalen Systemen 13,14,15. Dennoch werden ethische Interpretierbarkeit und technische Robustheit in bestehenden KM-Systemen selten in einer einzigen Architektur kombiniert.

In Umwelt-, Sozial- und Governance-Berichten (ESG) kann beispielsweise KI-gesteuerte Entscheidungsfindung komplexe moralische Fragen ignorieren, die Entscheidungen von Menschen erfordern. Eine Verringerung der Fähigkeit, Daten mithilfe von spezialisierter Entscheidungsfindung¹⁶ zu bewerten, kann auf eine übermäßige Abhängigkeit von Wissen zurückzuführen sein. Die von PAs ausgeübte Beratungsfunktion, die historisch auf wirtschaftlichem Wissen und Klientenkontakt basierte, könnte letztlich durch Automatisierung^{eingeschränkt} werden. Dies könnte stören, weil die Werkzeuge, die den Beruf voranbringen sollen, unbeabsichtigt wichtige menschliche Fähigkeiten beeinträchtigen könnten.

Die natürliche Kombination aus modernster digitaler Technologie mit einer gesteigerten Sorge um moralische, kommerzielle Leistung und Unternehmertum, die Menschen bestellt, symbolisiert Industrie 6.0, eine bahnbrechende Phase der industriellen Entwicklung¹⁸. Diese Phase, die Industrie 4.0 und Industrie 5.0 prägt, ist die nächste Phase des technischen Wachstums. Indem Industry 6.0 eine Zeit visualisiert, in der Erfindungen menschliche Fähigkeiten verbessern statt ersetzen, erweitert es diese Gedanken¹⁹. Dieser Plan behandelt moralische Bedenken über die Mechanisierung und fördert gleichzeitig die Zusammenarbeit zwischen Menschen und Robotern, kumulative Effizienz²⁰. Der geschäftliche Aspekt der Mitarbeiter-DL ist wichtig, da die Interaktionen mit Kollegen im Unternehmen häufig die Kompetenz und das Verständnis digitaler Technologien prägen. Diese Strategie soll mit Studien übereinstimmen, die versuchen, Wege zu klären, wie Arbeitnehmer und neue Technologien zusammenarbeiten können, damit verschiedene Arbeitsplätze und Abläufe in Unternehmen durchgeführt werden können^21,22. Da sie ihnen eine größere Kundenbasis bieten, gilt DL als entscheidend für das Überleben kleiner Firmen²³. Im Vergleich zu traditionellen Unternehmensstrukturen können Manager in KMU ihre Unternehmen effizienter und mit weniger physischen Vermögenswerten führen, indem sie technologische Fortschritte nutzen^24,25.

Die Entwicklung der Online-Werbekapazitäten, die die Geschäftsleistung effektiv verbessert, hängt von technologischen Ressourcen wie technologischen Fortschritten und der Verbindung zu den Unternehmenszielen^{ab 26}. Der elektronische Fokus eines Unternehmens und die technologische Revolution in seinem Kundenumfeld fungieren jedoch als Moderatoren dieser Auswirkungen²⁷. Unternehmen können den IT-Fortschritt und die Synchronisation effektiver nutzen, um ihre Online-Promotionsfähigkeiten zu entwickeln, indem sie digitale Technologien tief in ihre Geschäfte, Produkte, Angebote und Pläne integrieren.

Die beiden Mechanismen der KI-Technologiereserven sind Investitionsausgaben (Capex), die für die Organisation von Big Data-Plattformen verwendet werden können, Ergänzungen und Fortschritte sowie Informationswissenschaft und maschinelles Lernen sowie Betriebskosten, die zur Erteilung von Lizenzen für KI- und Big-Data-Tools innerhalb der Organisation verwendet werden, oder schließlich KI-bezogene Schulungen für Mitarbeiter²⁸. Die Vorteile der Einführung von KI sind laut Lees²⁹Untersuchungen zu AI-Asset-Maßnahmen für Unternehmen, die sich zusätzlich mit anderen Technologien beschäftigen und interne F&E-Strategien verfolgen, höher. Außerdem ist es entscheidend, zwischen einer Beschäftigung außerhalb der Behörden und der Nutzung interner, KI-qualifizierter Mitarbeiter^zu wählen. Die Position der Personalabteilung in diesem Bereich der Ausbildung ist ein zentraler Schwerpunkt aktueller Forschung, und die Ergebnisse zeigen, dass Unternehmen mit internem KI-Wissen diese Talente in die Entwicklung investieren, um sich gegenüber den^{Konkurrenten 31,32} einen Vorteil zu verschaffen.

Proteinwechselwirkungen wurden mit GNNs in³³ vorhergesagt, und die Vorhersagen wurden mit LLMs bestätigt. Der Ansatz war sehr genau und lieferte interpretierbare Erklärungen. Fortschrittliche maschinelle Lern- und Deep-Learning-Techniken wie BERT wurden eingesetzt, um großflächige Social-Media-Daten in Krisenzeiten³⁴ zu untersuchen. RNN, CNN und GCN helfen bei der Verarbeitung und Klassifizierung enormer Datenmengen und können zur Tumorerkennung^{angewendet werden}. Die Autoren präsentieren in 36,37,38,39 einen neuartigen Ansatz zur Erweiterung von Empfehlungssystemen, indem sie sowohl soziale als auch Wissensgraphen mit GNN-basierten Modellen integrieren.

Frühere Forschungen haben nicht gründlich untersucht, wie transformerbasierte semantische Extraktion und graphbasiertes Schließen systematisch integriert werden können, um sowohl operative als auch strategische KM-Funktionen zu verbessern, obwohl KI und Big Data Analytics in professionellen Umgebungen als transformative Kräfte anerkannt werden. Insbesondere fehlen etablierte Rahmenwerke, die (i) unstrukturierte Unternehmenstexte in semantisch ausgerichtete Wissensgraphen verwandeln, (ii) konsistenz auf ontologieebene über entfernte Quellen hinweg garantieren und (iii) die Auswirkungen von Unternehmensentscheidungsunterstützung statistisch bewerten.

Um diese Lücke zu schließen, prognostiziert diese Studie, dass im Vergleich zu traditionellen ERP/MIS-basierten und schlüsselwortgesteuerten KM-Systemen die Kombination von domänenadaptiven, transformerbasierten Informationsextraktionen mit GNN-gesteuerter Ontologie-Ausrichtung und -Logik die semantische Abrufgenauigkeit erheblich erhöht und die Entscheidungslatenz im Unternehmen verringert. In dieser Studie wird ein ausführbares, KI-Big Data Analytics gesteuertes KM-Framework vorgeschlagen. Sie kann folgende Aufgaben ausführen: domänenspezifische Entitäts- und Relationsextraktion mittels eines fein abgestimmten Transformatormodells; Knowledge Graph-Konstruktion aus extrahierten Triples; GNN-basierte Ontologie-Ausrichtung und relationales Denken; und aufgabenorientierte Evaluation unter Verwendung von Abrufgenauigkeit, Ausrichtungsgenauigkeit und Entscheidungslatenzmetriken.

Die Neuheit des vorgeschlagenen Ansatzes ist seine zweischichtige KM-Ausrichtung, die gleichzeitig strategische KM durch strukturierte Wissensintegration unterstützt, die die organisatorische Agilität und Innovationsfähigkeit verbessert; und Operational KM durch verbesserte Entscheidungsunterstützung, Prozessoptimierung und kontextbezogene Abrufe. Dieses Papier bietet eine durchgängige, empirisch bewährte Architektur, die über zwei reale Unternehmenssysteme implementiert wurde, im Gegensatz zu früheren konzeptionellen oder Einzelmodellforschungen. Die experimentellen Ergebnisse zeigen eine 35%ige Verringerung der Entscheidungslatenz und eine 21%ige Steigerung der Abrufgenauigkeit. Darüber hinaus verbessert das System durch die Verbindung von KI-gesteuerten Ausgaben semantisch organisierte Wissensrepräsentationen die Interpretierbarkeit und erleichtert transparente und verantwortungsvolle Entscheidungsfindung. Diese Studie schafft ein skalierbares und wiederholbares Paradigma für den Aufbau von Unternehmenswissensgraphen und intelligente KM in fortschrittlichen digitalen Transformationsumgebungen, die den Prinzipien von Industrie 6.0 entsprechen, indem sie methodisch transformatorbasierte kontextuelle Kodierung mit graphbasiertem semantischer Logik verbindet.

Protocol

Ethische Aussage

Diese Studie wurde vom Institutional Review Board (IRB) der National University of Malaysia (UKM) vor der Datenerhebung geprüft und genehmigt (Genehmigungs-ID: UKM/FEP/2025/AI-047; Genehmigungsdatum: 12. März 2025). Das genehmigte Protokoll umfasste die Durchführung strukturierter Umfragen und halbstrukturierter Interviews mit menschlichen Teilnehmern. Alle Teilnehmer wurden über den Zweck der Studie, die freiwillige Natur ihrer Teilnahme und ihr Recht, jederzeit ohne Konsequenzen auszusteigen, informiert, und vor ihrer Aufnahme wurde eine schriftliche informierte Zustimmung eingeholt. Anonymität und Vertraulichkeit der Teilnehmer wurden streng gewahrt, ohne personenbezogene Daten in der Analyse oder Veröffentlichung enthalten, und alle Daten wurden sicher gespeichert und ausschließlich für akademische Forschungszwecke gemäß institutionellen ethischen Standards und relevanten internationalen Richtlinien für die Forschung mit Menschen verwendet.

Gesamtarchitektur des vorgeschlagenen BERT–GNN KM-Rahmens

Anfangs wurde ein fein abgestimmter Transformer-Encoder verwendet, um unstrukturierten Text zu verarbeiten, einschließlich interner Dokumente, Kundeninteraktionen und Social-Media-Inhalten. Die Gesamtsystemarchitektur des auf BERT–GNN basierenden KM-Workflows ist in Abbildung 1 dargestellt. Die in dieser Studie verwendeten Unternehmensdaten wurden in digitalen Dokumentformaten gesammelt, darunter strukturierte Umfragedateien, Interviewtranskripte, interne Unternehmensberichte und öffentlich zugängliche Fallstudiendokumente. Alle Dokumente wurden zu einem einheitlichen Korpus zur Analyse zusammengefasst. Textinhalte wurden aus diesen Quellen extrahiert und bereinigt, um irrelevante Metadaten, doppelte Einträge und Formatierungsartefakte zu entfernen. Der bereinigte Korpus wurde dann in Sätze segmentiert und tokenisiert, um ihn für nachgelagerte natürliche Sprachverarbeitung wie Textextraktion mit Parsern, Rauschentfernung, Satzsegmentierung und Tokenisierung mit Word-Piece-Tokenizer vorzubereiten. Dieser verarbeitete Textsatz diente als Eingabe für das fein abgestimmte Modell für Entitäts- und Relationsextraktion³³, das 12 Schichten mit 12 Aufmerksamkeitsköpfen und 768 versteckten Einheiten enthält. Die extrahierten Daten wurden in einem Knowledge Graph organisiert, der eine strukturierte und miteinander verbundene Darstellung von Wissen über die gesamte Ontologie-Mapping des Unternehmensbereichs hinweg bereitstellte. GNNs wurden zur Ontologie-Ausrichtung unter Verwendung von Kosinusähnlichkeit und Schlussfolgerung eingesetzt, um sicherzustellen, dass semantische Beziehungen über Wissensdomänen hinweg genau erfasst und logisch abgeleitet wurden, indem die Duplikate durch String-Ähnlichkeit mit dem Schwellenwert 0,85 entfernt wurden. Das verarbeitete Wissen wurde dann innerhalb der Entscheidungsebene genutzt, was eine effiziente Datenanalyse ermöglichte und datengetriebene Entscheidungen erleichterte. Diese Architektur verwandelte fragmentierte Daten in intelligente, kontextbewusste Informationsressourcen. Das Framework wurde durch Business-Case-Simulationen validiert und mit konventionellen KM-Systemen wie Naive Bayes (NB), Support Vector Machine (SVM), Random Forest (RF), TF-IDF, LDA, BERT ONLY und BERT mit KG verglichen, wobei der Datensatz 70:15:15 und ein fester See von 42 zur Bewertung von Leistungsverbesserungen bei Abrufgenauigkeit, Entscheidungslatenz und Wissensnutzen bewertet wurde.

Abbildung 1. Gesamtsystemarchitektur des auf BERT-GNN basierenden KM-Workflows. Die gesamte AI–BDA–GNN-Systemarchitektur zeigt Multi-Source-Datenaufnahme, Vorverarbeitung, fein abgestimmte BERT für semantische Extraktion, KG-Population, GNN-basierte Ontologie-Ausrichtung/-Schlussfolgerung sowie Entscheidungsebene. Pfeile zeigen den Datenfluss und optionale Rückkopplungsschleifen für Online-Lernen an. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Datenerfassung

Der in dieser Studie verwendete Datensatz wurde aus mehreren Quellen gesammelt, um Repräsentativität und externe Validität zu unterstützen. Die Primärdatenerhebung durch strukturierte Umfragen und halbstrukturierte Interviews mit Fachkräften aus den Bereichen IT, Fertigung, Gesundheitswesen und Bildung umfasste zertifizierte Mitglieder der Kammer der Finanzprüfer Rumäniens. Die sekundären Daten umfassten anonymisierte interne Unternehmensdokumente, Jahresberichte und öffentlich zugängliche Fallstudien zur digitalen Transformation. Die Datenerhebung erfolgte innerhalb eines klar definierten Studienzeitraums, und alle Unterlagen wurden aufgrund institutioneller ethischer Freigabe anonymisiert, um Vertraulichkeit zu schützen und die Einhaltung sicherzustellen.

Teilnahme-Auswahlkriterien: Um methodische Strenge und Repräsentativität zu gewährleisten, wurden die Teilnehmer anhand klar definierter Ein- und Ausschlusskriterien ausgewählt. Neben der aktiven Beteiligung an digitalen Transformationen, KM, künstlicher Intelligenz, Big-Data-Analyse oder Unternehmensinformationssystemen mussten berechtigte Teilnehmer mindestens drei Jahre Berufserfahrung in IT, Fertigung, Gesundheitswesen, Bildung, Buchhaltung oder verwandten Unternehmensumgebungen vorweisen. Es war notwendig, dass zertifizierte Fachkräfte während der Datenerhebungsphase einen aktiven Zertifizierungsstatus hatten (z. B. Mitglieder der Kammer der Finanzprüfer Rumäniens). Um die Umfrage- und Interviewmaterialien genau zu verstehen und eine informierte Erlaubnis gemäß dem autorisierten IRB-Protokoll zu erteilen, mussten die Teilnehmer außerdem ihre Kenntnisse in Rumänisch oder Englisch nachweisen. Personen mit weniger als drei Jahren relevanter Erfahrung, inaktivem Berufsstatus (falls zutreffend), keiner direkten Beteiligung an Unternehmenswissen oder Entscheidungsprozessen, unvollständigen Umfrageantworten (mehr als 20 % fehlende Daten) oder erfolglosen Qualitätsprüfungen wurden alle ausgeschlossen. Zusätzlich wurden Transkripte von Interviews, die nicht ausreichend detailliert oder für KM-Techniken relevant waren, nicht in die Analyse einbezogen. Eine kompetente, sektorrepräsentative und analytisch fundierte Teilnehmerstichprobe wurde durch diese Standards garantiert.

Zertifizierte Mitglieder der Kammer der Finanzprüfer Rumäniens (CAFR) waren eine zentrale Zielgruppe für die Datenerhebung. Eine Online-Umfrage wurde entwickelt und über interne CAFR-Kommunikationskanäle verteilt, um eine gezielte Verteilung und hohe Rücklaufquoten zu unterstützen. Um eine repräsentative Stichprobe zu bilden, wurden CAFR-Geschichten überprüft und 250 registrierte Teilnehmer anhand studienrelevanter Merkmale ausgewählt.

Struktur von Umfrageinstrumenten: Die Studie verwendete einen strukturierten Fragebogen mit 24 Fragen, die sich auf fünf Strukturbereiche verteilten: organisatorische Agilität und operative Effizienz (5 Items), strategische Entscheidungsunterstützung und Innovationsfähigkeit (5 Items), Auswirkungen von Big Data Analytics auf den Wissensaustausch (5 Items), KI-Akzeptanz in KM (5 Items) sowie von den Nutzern wahrgenommene Effektivität und Systemnutzbarkeit (4 Items). Eine 5-Punkte-Likert-Skala, bei der 1 für "starke Abweichung" und 5 für "sehr übereinstimmend" steht, wurde verwendet, um jeden Punkt zu bewerten. Das Tool wurde für die Implementierung von Unternehmens-KI kontextualisiert und von zuvor validierten KM- und digitalen Transformationsskalen modifiziert. Drei akademische Wissenschaftler und zwei Wirtschaftsexperten führten eine Expertenüberprüfung durch, um die Gültigkeit des Inhalts zu bestätigen. Um die Sprache, die Klarheit der Anzeige zu verbessern und die Zuverlässigkeit zu messen, wurde eine Pilotstudie mit 20 Praktikern durchgeführt; alle Komponenten hatten Cronbachs Alphawerte größer als 0,80, was eine starke interne Konsistenz zeigt. Halbstrukturierte Interviews wurden ebenfalls durchgeführt, um die Umfrageergebnisse zu ergänzen. Im Interviewhandbuch wurden fünf Fachbereiche behandelt: Erfahrungen mit der digitalen Transformation, Schwierigkeiten beim Unternehmenswissensfluss, Integration von KI und Big Data in Entscheidungsfindung, Hindernisse bei semantischer Ausrichtung und Fragen der ethischen Governance. Jedes Interview wurde mit informierter Zustimmung durchgeführt, dauerte etwa 45 bis 60 Minuten, wurde als Audioaufnahme aufgenommen und anschließend zur qualitativen Analyse transkribiert.

Um die Leistung des vorgeschlagenen BERT-GNN-Frameworks für KM in digital transformierenden Organisationen zu bewerten, wurde ein großer und vielfältiger Datensatz aus verschiedenen Quellen aus unterschiedlichen Branchen erstellt. Der Datensatz umfasst sowohl quantitative als auch qualitative Aspekte, um die dynamischen Wahrnehmungen bezüglich Wissensflusses und organisatorischen Veränderungen darzustellen. Strukturierte Daten wurden von mehr als 250 Fachleuten über einen Online-Fragebogen erhoben, der aus Likert-Größen-Elementen (Bereich 1–5) bestand, um die wahrgenommenen Auswirkungen von Künstlicher Intelligenz (KI) und Big Data Analytics (BDA) auf Wissensaustausch, Innovation und geschäftliche Agilität zu messen. Gleichzeitig wurden unstrukturierte Daten durch halbstrukturierte Interviews mit 30 Fachexperten gesammelt, die mehr als 120.000 Transkriptwörter lieferten. Weitere halbstrukturierte Materialien, darunter Jahresberichte des Unternehmens und digitale Strategiepapiere (über 50 Dokumente), wurden gesammelt, um Unternehmensmaßstabs-Akzeptanzmuster in den Kontext zu stellen. Zusätzlich wurden 15 detaillierte Fallstudien aus den Bereichen IT, Fertigung, Gesundheitswesen und Bildung hinzugefügt, um praktische Transformationskontexte zu bieten. Interne Wissensdatenbanken (ca. 200 MB) wurden aus Datenschutzgründen anonymisiert und ebenfalls aufgenommen, um die Darstellung der operativen Wissensressourcen zu verbessern. Dieser Multi-Source-Datensatz ermöglicht eine starke Trainings- und Evaluierungspipeline für Deep-Learning-Modelle und erfasst sowohl strategische als auch operative Aspekte von KM. Tabelle 1 zeigt die für die Bewertung verwendete Populationsstichprobe.

Komponente	Typ	Quelle	Größe/Volumen
Antworten auf professionelle Umfragen	Strukturiert	Online-Umfragen von 250+ Fachleuten	~10.000 Datensätze
Interviewtranskripte	Unstrukturiert	Halbstrukturierte Interviews mit 30 Experten	~120.000 Wörter
Unternehmensberichte	Halbstrukturiert	Jahresberichte und digitale Strategiedokumente	50+ Dokumente
Fallstudien	Gemischt	Branchenspezifische Anwendungsfälle für digitale Transformation	15 detaillierte Fälle
Inhalt der Wissensbasis	Unstrukturiert	Interne Dokumente von Organisationen (anonymisiert)	~200 MB

Datenvorverarbeitung und BERT-Feinabstimmung

Die Rohdaten der Unternehmensdokumente wurden aus einer kuratierten Liste abgerufen und mittels Satzsegmentierung, Tokenisierung, Stopwortentfernung und Normalisierung vorverarbeitet, um die Anforderungen des Tokenizers zu erfüllen. Das vortrainierte Modell wurde dann weiter modifiziert, um das Modell für eine bestimmte Aufgabe fein abzustimmen, und fein abgestimmt, um eine Named Entity Recognition (NER) und Relation Extraction (RE) Aufgabe auszuführen. Das Modell wurde mit dem Adam-Optimierer auf die vorverarbeiteten Korpusdaten für eine bestimmte Epochenzahl feinjustiert. Schließlich wurden kontextualisierte Worteinbettungen (R⁷⁶⁸) aus identifizierten Entitäten und deren Beziehungen erzeugt. Normalisierte Entitäten wurden durch eine ontologiebasierte Normalisierungstechnik erzeugt, bei der verschiedene Entitäten, wie Synonyme, in normalisierte Form umgewandelt wurden. Jede separate normalisierte Entität war ein Knoten, während die Beziehung zwischen den Objekten in der Wissensgraph-Darstellung als Kante bezeichnet wurde. Die vom Modell erzeugten normalisierten Entitäts-Embeddings bildeten die anfänglichen Knotenmerkmale des Graph Neural Network. Im folgenden Schritt wurde das Graph Neural Network mit der Methode zur überwachten Link-Vorhersage trainiert, wobei negative Abtastung durch Kantenkorruption erzielt wurde. Im Training gibt es über mehrere Epochen hinweg einen Kreuzentropieverlust. Das trainierte Framework wurde unter Verwendung von Wissensabrufgenauigkeit, Entscheidungsverzögerung und Nutzerzufriedenheitsrate als Bewertungskennzahlen bewertet.

Ein hybrider Annotationsansatz wurde verwendet, um Trainingslabels für RE und NER zu erstellen. Zwei unabhängige Fachexperten annotierten manuell einen domänenspezifischen Korpus von Unternehmensdokumenten, wie interne Berichte, Kundeninteraktionsprotokolle und Richtliniendokumente, wobei ein vorgegebenes Ontologieschema verwendet wurde, das Entitätskategorien (wie Organisation, Prozess, Technologie, Rolle, KPI) und Relationstypen (wie Supports, depends_on und Improves) identifizierte. Um Einheitlichkeit in Bezug auf Richtung und Entitätsgrenzerkennung zu gewährleisten, wurden umfassende Annotationsrichtlinien erstellt. 20 % des Datensatzes wurden doppelt annotiert, um die Zuverlässigkeit zu bewerten. Cohens Kappa wurde verwendet, um die Übereinstimmung zwischen den Annotatoren zu testen, und die Ergebnisse zeigten eine starke Übereinstimmung (κ = 0,87 für Entitätslabeling und κ = 0,82 für Relationsextraktion). Schwache Supervision wurde dann genutzt, um den manuell annotierten Datensatz mittels regelbasierter und ontologiebeschränkter Musteranpassung zu erweitern, mit konfidenzbasierter Filterung zur Reduzierung von Rauschen. Um vollständige Reproduzierbarkeit zu gewährleisten, wurden alle Annotationsverfahren, Ontologiedefinitionen, Datensatzaufteilungen und zufällige Seeds aufgezeichnet.

Die Effizienz in der Präzision wurde auf Dokumentenebene gemessen, die Latenz wurde anhand der End-to-End-Anfrage-Antwortzeit geschätzt, und die Nutzer waren mit der Verwendung der Likert-Skala-Fragebögen zufrieden. Am Ende jeder Stufe wurden folgende Protokollkontrollpunkte eingerichtet. (i) BERT-Ausgabekontrollpunkt – Stichprobenentitäten und Beziehungsdreifache extrahiert; (ii) KG-Prüfpunkt-Stichprobe eines konstruierten Teilgraphen mit Ontologie-Labels; (iii) GNN-Kontrollpunkt – Stichprobe der Ontologievorhersage und der abgeleiteten Verbindung; und (iv) Abrufkontrollpunkt – Stichprobe der abgerufenen Wissensobjekte mit Relevanzetiketten.

Das vorgeschlagene Protokoll hat folgende Struktur: deterministische, mehrstufige Pipeline mit gut definierten Zwischenausgaben, die eine vollständige Reproduzierbarkeit ermöglichen. Schritt 1: Nach der Aufnahme und Vorverarbeitung roher strukturierter, semistrukturierter und unstrukturierter Unternehmensdaten werden bereinigte Textkorpora und normalisierte numerische Feature-Matrizen generiert. Schritt 2: Die Anwendung fein abgestimmter BERT-Modelle wird zur Wissensextraktion durchgeführt, wobei explizite Ausgaben in Form benannter Einheiten wie Abteilung, Prozess, Dokument und KPI geliefert werden; (ii) semantische Beziehungen zwischen Entitäten, dargestellt als Subjekt-Prädikat-Objekt-Trippel. In Schritt 3 werden diese Triples in einen initialen Wissensgraphen umgewandelt, in dem Knoten Entitäten sind und Relationen typisierte Kanten sind, die mit einem vordefinierten Ontologieschema ausgerichtet sind. In Schritt 4 würde die Anwendung des Graph Neural Network auf diesen Graphen zur Ontologie-Ausrichtung und Argumentation verbesserte Knoten-Einbettungen erzeugen, Relationen ableiten und Ontologielabels ausrichten. Schritt 5 liefert den finalen Wissensgraph und die Argumentationsergebnisse, die semantische Abrufe, Entscheidungsunterstützung und Leistungsbewertung unterstützen.

Alle Zwischenartefakte, einschließlich Entitätslisten, Relationstriples, ontologie-ausgeriichte Graphen und abgeleitete Verknüpfungen, werden in jeder Phase dieses Protokolls explizit generiert, was eine unabhängige Replikation von Forschung ohne Erinnerungen ermöglicht.

Der Datensatz wird gemäß einem festen Verhältnis von 70:15:15 in Trainings-, Validierungs- und Testset unterteilt, um die Reproduzierbarkeit der Experimentergebnisse sicherzustellen. Tokenisierung, Kleinbuchstaben, Entfernung von Stoppwörtern und Sequenzverkürzung auf 512-Tokens werden für BERT alle in Bezug auf die Textvorbereitung durchgeführt. Andererseits wird die Z-Score-Normalisierung verwendet, um strukturelle Merkmale zu normalisieren. Zusätzlich wird das BERT-Modell mit der Deep-Learning-Framework-Bibliothek mit dem Adam-Optimierer fein abgestimmt, wobei die Lernrate 2e-5 beträgt, die Batchgröße 16 beträgt und die Anzahl der Epochen 5 beträgt. Die vorhergesagten extrahierten Entitäten und Beziehungen werden in einem Standardformat für die Erstellung des Wissensgraphen gespeichert. Zusätzlich wird die Knowledge Graph Node Embedding (R⁷⁶⁸) als Eingabe für das GNN zur Ontologie-Ausrichtung und Argumentation verwendet.

BERT-GNN-Schnittstelle und Datenfluss

Innerhalb des vorgeschlagenen Rahmens wird der Transformer-Encoder fein abgestimmt, um zwei Aufgaben der NLP auszuführen: die NER-Aufgabe und die RE-Aufgabe auf einem Unternehmenstextkorpus. Schließlich umfassen die Modellausgaben kontextualisierte Token-Einbettungen (R⁷⁶⁸), Entitätsklassifikationslabels und Subjekt-Prädikat-Objekt-relationale Triplets. Normalisierte Entitäten werden verwendet, indem eine vordefinierte Unternehmensontologie erstellt wird, bei der textuelle Varianten und Synonyme der Entität auf eine Entitätsidentifikation abgebildet werden. Jeder eindeutig normalisierten Entität wird innerhalb des konstruierten Wissensgraphen ein neuer Entitätsknoten zugewiesen. Je nach Größe des Industriekorpuss hat der generierte Wissensgraph in den bewerteten Unternehmensszenarien zwischen 18.000 und 25.000 Entitätsknoten sowie 42.000 bis 60.000 typisierte relationale Kanten. Person, Abteilung, Prozess, Produkt, Organisation und Dokument sind nur einige der Knotentypen, die im Graphen vorkommen. Weitere Edge-Typen sind works_for, Manages, belongs_to, Produces, approved_by und related_to. Jedem Knoten wird ein eigenständiger, ontologiebasierter Identifikator zugewiesen, der aus einer vorgegebenen Unternehmensontologie abgeleitet ist. Daher besitzt der resultierende heterogene Graph typisierte Kanten, die normalisierte Relationen und typisierte Knoten mit semantischen Einbettungseigenschaften darstellen. Danach erhalten die GNN diese Knoten-Einbettungen für relationales Schließen und Ontologie-Ausrichtung. Entscheidend ist, dass das GNN auf dem erzeugten Graphen funktioniert, ohne Gradienten an den BERT-Encoder zurückzupropagieren, was modulare Ausbildung garantiert und die Trennung von Graphen-Argumentations- und semantischen Extraktionskomponenten beibehält.

BERT wurde in dieser Studie zur kontextuellen Sprachmodellierung und zur Extraktion semantischer Merkmale verwendet. Das Modell kann effizient lernen, die korrekten Kategoriebezeichnungen für neuartige Texteingaben vorherzusagen, wenn es mit beschrifteten Daten optimiert wird, die auf ein bestimmtes Klassifikationsziel zugeschnitten sind. Da BERT bidirektional ist, berücksichtigt es sowohl den vorangehenden als auch den folgenden Kontext jedes Wortes, was ein umfassenderes Verständnis der Beziehungen innerhalb des Textes ermöglicht. Der Encoder des BERT-Basismodells besteht aus 12 Transformatorblöcken, von denen jeder 12 Selbstaufmerksamkeitsköpfe und eine versteckte Größe von 768 enthält. Vor der Verarbeitung wird der Eingabetext je nach gewähltem Tokenisierungsansatz in Tokens unterteilt, die Wörter oder Unterwörter repräsentieren können. Die mit BERT abgeleitete Sequenzdarstellung wird in Supplementary File 1 beschrieben. Die Modellparameter werden optimiert, indem die logaritarische Wahrscheinlichkeit des korrekten Labels minimiert wird (Abbildung 2).

Abbildung 2. Detaillierter Arbeitsprozess des BERT-Modells zur Extraktion semantischer Merkmale. Zeigt Ein- und Ausgabedimensionen sowie die Rolle kontextueller Einbettungen für die KG-Population. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Knowledge Graph-Konstruktion mit GNN

Das Schema für den Knowledge Graph ist vor der Erstellung des Graphen vordefiniert. Sie sorgt für semantische Konsistenz. Die Ontologie ist vordefiniert und bezieht sich auf eine endliche Anzahl von Typen sowohl für Entitäten als auch für Relationstypen sowie auf Domänenbereichsbeschränkungen, die für das Schließen hilfreich sind. Das Schema ist sowohl für das Befüllen des Graphen aus den Triples aus dem BERT-Modell als auch für die relationsbewusste Nachricht, die durch das GNN geleitet wird, anwendbar.

Innerhalb dieses Rahmens dient der Knowledge Graph (KG) als strukturierte Darstellung von Unternehmenswissen, Modellierungseinheiten (z. B. Abteilungen, Dokumente, Prozesse) und semantischen Beziehungen untereinander. Die mathematischen Herleitungen von KG werden in Ergänzungsdatei 1 hinzugefügt. Diese Integration von KG-Konstruktion und GNN-basiertem Schließen ermöglicht Ontologie-Ausrichtung, Relationsinferenz und verbesserte semantische Abrufung innerhalb des Enterprise-KM-Frameworks.

Der Wissensgraph (KG) wird als heterogener Graph G dargestellt, während seine Struktur durch seine Ontologie O ausgedrückt wird. KG kann alternativ als eine Menge von Tatsachen betrachtet werden, die durch Aussagen der Prädikatenlogik ausgedrückt werden. Diese Fundamentaldaten haben die folgenden Beschreibungen³⁴. Der Graph G ist variiert, wobei V die Menge der Objekte oder Knoten repräsentiert (beide können austauschbar verwendet werden) und die Menge der Relationen repräsentiert. Ein Triplet () kann auch verwendet werden, um jeweils ein paar Objekte v₁ und deren Assoziation zu charakterisieren. Die mathematische Herleitung der KG-Konstruktion mit GNN ist in Supplementary File 1 beschrieben.

BERT-GNN-basierte Ontologie-Ausrichtung und Schlussfolgerung

Algorithmus 1 zeigt die GNN-basierte Ontologie-Ausrichtung und Schlussfolgerung. Der Prozess beginnt mit der Initialisierung der Knotenfähigkeiten mittels vorextrahierter Embeddings sowie jenen, die mit einer hochwertig abgestimmten BERT-Version generiert werden, die die semantische Bedeutung jeder Entität aus unstrukturiertem Text abrufen. Der Wissensgraph, bestehend aus Knoten (Entitäten) und Kanten (Beziehungen), wird durch die Verwendung einer Adjazenzmatrix (A) und einer Merkmalsmatrix (X) dargestellt.

Der Regelsatz läuft über mehr als eine GNN-Schicht. Auf jeder Ebene ist die Darstellung eines Knotens aktuell, indem Daten von seinen benachbarten Knoten aggregiert werden, gewichtet nach deren Konnektivität (d. h. unter Verwendung der Adjazenzmatrix). Dies wird mathematisch mit einer Nachrichtenübermittlungsmethode formuliert, bei der Knoten-Einbettungen mittels trainierbarer Gewichtsmatrizen erweitert und über eine nichtlineare Aktivierungscharakteristik weitergegeben werden, zu der auch ReLU gehört. Ein Normalisierungsschritt (z. B. Schichtnormalisierung oder die Verwendung von Diplommatrizen wie in der GCN-Gleichung) garantiert ein stabiles Erlangen von Wissen über alle Schichten hinweg.

Nach Wiederholung dieses Prozesses für einen vordefinierten Bereich von Schichten T erzeugt das Modell eine endgültige Menge von Knoten-Einbettungen Z, die jede Nachbarschaft sowie ihre Form und semantischen Fähigkeiten kodieren. Diese Einbettungen werden dann über eine Soft-Max-Klassifikationsschicht übertroffen, um ausgerichtete Ontologielabels vorherzusagen, einschließlich Entitätssortierungen (z. B. "Abteilung", "Produkt", "Projekt") oder semantischen Rollen innerhalb des Unternehmens.

Algorithmus 1: BERT GNN-basierte Ontologie-Ausrichtung und Schlussfolgerung

Der GNN-basierte Ontologie-Ausrichtungs- und Schlussfolgerungsprozess arbeitete auf dem konstruierten Knowledge Graph, der aus Entitäten bestand, die als Knoten dargestellt wurden, und deren Beziehungen als Kanten dargestellt wurden. Die anfänglichen Knotenrepräsentationen wurden aus BERT-basierten semantischen Einbettungen abgeleitet und in einer Merkmalsmatrix organisiert. Die Adjazenzmatrix stellte die Konnektivitätsstruktur des Graphen dar, und eine vordefinierte Anzahl von GNN-Schichten wurde angewendet, um die Knotenrepräsentationen zu verfeinern. Für jede Schicht aktualisierte das Modell jeden Knoten, indem es Informationen von seinen benachbarten Knoten basierend auf der Graphenstruktur aggregierte. Diese Aggregation in Gleichung (1) besteht darin, benachbarte Knotenrepräsentationen mit trainierbaren Gewichtsmatrizen zu multiplizieren, einen Verzerrungsterm hinzuzufügen und eine nichtlineare Aktivierungsfunktion anzuwenden.

(1)

Nach jedem Layer-Update wurde eine Normalisierung angewendet, um das Training zu stabilisieren und konsistente Einbettungsskalen sicherzustellen. Nachdem alle Schichten verarbeitet waren, wurden die finalen Knoten-Einbettungen erhalten. Diese Einbettungen wurden dann durch eine Klassifikationsschicht mit einer Softmax-Funktion geleitet, um ausgerichtete Ontologielabels oder Entitätsklassen vorherzusagen. Das Verfahren erzeugte die endgültigen verfeinerten Knoten-Einbettungen und die vorhergesagten, ontologie-ausgerichteten Labels als Ausgaben.

Die vorgeschlagene Methode ermöglicht die semantische Ausrichtung von Entitäten aus mehreren Quellen und unterstützt das Schließen über den Wissensgraphen, indem neue Beziehungen abgeleitet und zuvor unbeschriftete Knoten klassifiziert werden.

Abbildung 3. Ontologie-Ausrichtung und semantisches Schließen mit GNN. Zeigt Aktualisierungsschritte für Nachbarschaftsnachrichten und Einbettungen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Die aggregierten Merkmale werden mittels relationsspezifischer Gewichtsmatrizen und einer nichtlinearen Aktivierungsfunktion (z. B. ReLU) transformiert, wodurch aktualisierte Knoten-Einbettungen generiert werden, die semantische Merkmale aus BERT mit strukturellen Informationen aus dem Graphen integrieren. Diese Einbettungen werden dann an eine Softmax-Klassifikationsschicht weitergegeben, um Entitätslabels oder ausgerichtete Ontologieklassen vorherzusagen. Dieser etablierte Prozess macht das GNN äußerst effektiv für das Schließen von Technologiegraphen und unterstützt Aufgaben wie Entitätsdisambiguierung, Umlaufinferenz und semantischen Typ und trägt letztlich zu intelligenteren, KI-gesteuerten Statistiksteuerungsstrukturen bei (Tabelle 2).

Komponente	Beschreibung
Framework/Toolkits	Python 3.9, PyTorch 2.0.1, Hugging Face Transformers 4.34, DGL 1.1 (Deep Graph Library)
Hardware	NVIDIA Tesla V100 GPU (16 GB), 128 GB RAM, Ubuntu 20.04
Vorverarbeitungspipeline	Tokenisierung (Word Piece für BERT), Stop-Word-Entfernung, Entitätserkennung (SpaCy), Z-Score-Normalisierung für numerische Merkmale
Datensatzquellen	Fachliche Umfrage (250+ Antworten), Interviewtranskripte (~120.000 Wörter), Unternehmensberichte (50+), Fallstudien (15), interne Dokumente (200MB)
Datenaufteilung	70 % Training, 15 % Validierung, 15 % Tests
Text-Encoder-Modell	BERT-Basis (ungekapselt), 12-Schicht, 768 versteckte Größe, 12 Aufmerksamkeitsköpfe
BERT-Feinabstimmung	4 Epochen, Batchgröße = 32, Lernrate = 2e-5, Adam-Optimierer, maximale Seq-Länge = 512
Graphenkonstruktion	Tripletbasierte Wissensextraktion (Subjekt, Prädikat, Objekt)
Graphentyp	Heterogener Graph mit multi-relationalen Kanten (Entitäten aus BERT-Ausgabe)
GNN-Architektur	2-Schichtiges heterogenes neuronales Graphennetzwerk (Nachrichtenübermittlungsmodell)
GNN-Hyperparameter	Verborgene Dimension = 128, Aktivierung = ReLU, Optimierer = Adam, Lernrate = 0,001
Decoder-Typ	Dist. Mult mit Punktproduktbewertung für die Verknüpfungsvorhersage
Verlustfunktion	Binäre Kreuzentropie für die Triplet-Klassifikation

Abschließend schließt das Protokoll mit der Generierung folgender Ausgaben ab: einem ontologieorientierten Unternehmenswissensgraphen, BERT- und GNN-Modellen, Ergebnissen der Informationsgewinnung und Argumentation sowie den Berichten der KRP, OAA, DML und USR. Diese liefern das Endergebnis in reproduzierbarer Form. Für negative Stichproben während des GNN-Trainings werden gültige Triplets durch Entitätsersatz gemäß ontologiedefinierten Typbeschränkungen korrumpiert. Die resultierenden Ontologie-Ausrichtungen werden auf Konsistenz validiert und manuell von Domänenexperten überprüft, um semantische Kohärenz zwischen extrahierten Entitäten und kanonischen Ontologieklassen sicherzustellen.

Bewertungskriterien

Entscheidungsverzögerung ist das Maß für die gesamte Zeit, die das System benötigt, um eine umsetzbare Antwort zu liefern, nachdem die Benutzeranfrage eingereicht wurde. Sei i die Benutzeranfrage, der Zeitpunkt, zu dem die Anfrage eingereicht wird, der Zeitpunkt, zu dem das System die endgültige Entscheidungsausgabe liefert. Die Entscheidungslatenz (DML) wird gegeben durch:

(2)

wobei die Gesamtzahl der ausgewerteten Abfragen ist. Diese Metrik misst die gesamte Antwortzeit des vorgeschlagenen Rahmens, von der Wissensabruf bis zur Antwortgenerierung. Ein niedrigerer Wert für diese Metrik ist ideal, da sie eine schnellere Systemreaktionszeit zeigt, was für zeitkritische Geschäftsentscheidungen entscheidend ist.

Das Wissensabdeckungsverhältnis ist das Verhältnis der Fähigkeit des Systems, alle relevanten Wissensgegenstände für eine gegebene Abfrage abzurufen. Sei die Menge aller relevanten Wissenselemente für Abfrage q, sei die Menge der tatsächlich vom System abgerufenen Wissensobjekte. Das Knowledge Coverage Ratio (KCR) ist definiert als:

(3)

Diese Formel berechnet die Vollständigkeit der abgerufenen Wissensobjekte. Sie ist äquivalent zum Abrufmaß, das in traditionellen Informationsabrufsystemen verwendet wird.

Results

Datenvorverarbeitung und BERT-Feinabstimmung

Das vorgeschlagene Gerät integriert eine bestoptimierte BERT-Version für unstrukturiertes Verstehen und ein Graph Neural Network (GNN) für Ontologie-Ausrichtung und Schlussfolgerung innerhalb eines Graphen-Frameworks. Das experimentelle Setup konzentrierte sich darauf, die Gesamtleistung des BERT-Aspekts bei NER- und RE-Aufgaben zu vergleichen, während der GNN-Faktor auf Link-Vorhersage und Knotenkl...

Discussion

Diese Studie präsentiert ein einheitliches Enterprise-KM-Framework, das kontextuelle semantische Extraktion mittels BERT mit graphbasiertem relationalem Denken und Ontologie-Ausrichtung durch GNNs integriert. Um Entitätsverknüpfung, dokumentübergreifendes Schließen und kohärente Wissensrepräsentation über verschiedene Geschäftsdatenquellen hinweg zu ermöglichen, ist der Hauptbeitrag die Integration tiefgehender kontextueller Sprachmodellierung mit strukturierter, ontologiebewusster Infer...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BERT-Basis (ungekapseltes) vortrainiertes Modell	Google AI	N/A	Transformer-basiertes vortrainiertes Sprachmodell (Bert-Base-Uncased Variante)
Deep Graph Library (DGL)	AWS Labs	RRID: SCR_017054	Version 2.1 verwendet für die Modellierung neuronaler Graphen
Matplotlib Visualisierungsbibliothek	PyData-Community	RRID: SCR_008624	Verwendet für Leistungsdiagramme und visuelle Analysen
NetworkX Graphenbibliothek	PyPI-Community	RRID: SCR_005317	Version 3.2 für Graphenkonstruktion und -analyse verwendet
NumPy Numerische Rechenbibliothek	PyData-Community	RRID: SCR_008633	Verwendet für numerische Operationen und Array-Verarbeitung
NVIDIA GPU (Tesla T4 / RTX 3080)	NVIDIA Corporation	RRID: SCR_016409	CUDA-fähiger Hardware-Beschleuniger für Modelltraining
Pandas-Datenanalysebibliothek	PyData-Community	RRID: SCR_018214	Verwendet für die Manipulation strukturierter Daten.
Python-Programmiersprache	Python Software Foundation	RRID: SCR_008394	Version 3.10 für Modellentwicklung und Datenverarbeitung verwendet
PyTorch Deep-Learning-Framework	Meta-KI	RRID: SCR_018536	Version 2.0 für die Implementierung neuronaler Netze verwendet
Scikit-learn Machine Learning Library	Scikit-learn-Entwickler	RRID: SCR_002577	Version 1.5 wird für Vorverarbeitung und Evaluationsmetriken verwendet
Transformers NLP-Bibliothek	Umarmungsgesicht	RRID: SCR_020989	Version 4.40 für vortrainierte Transformatormodelle verwendet
Ubuntu Linux Betriebssystem	Canonical Ltd.	RRID: SCR_018317	Version 20.04 LTS-Laufzeitumgebung