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

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 ....

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