Un flujo de trabajo de IA que combina representaciones bidireccionales de codificadores de transformadores (BERT) y redes neuronales de grafos (GNN) para la recuperación de conocimiento en empresas digitales

Summary

Este protocolo presenta un flujo de trabajo reproducible impulsado por IA que ajusta finamente BERT para la extracción de entidades y relaciones, emplea redes neuronales de grafos para la alineación de ontologías, construye grafos de conocimiento empresarial a partir de datos no estructurados y evalúa sistemáticamente el rendimiento de recuperación semántica y la eficiencia del soporte a la decisión.

Abstract

Grandes volúmenes de datos organizacionales no estructurados pueden dificultar que los sistemas de gestión del conocimiento empresarial (KM) extraigan información correcta y contextualmente relevante, lo que puede llevar a un intercambio ineficiente de conocimientos y a un retraso en la toma de decisiones. Este estudio sugiere un marco unificado impulsado por inteligencia artificial para superar esta limitación. Combina Redes Neuronales de Grafos (GNNs) para alineamiento de ontologías y razonamiento semántico con Representaciones Bidireccionales de Codificadores Refinados de Transformadores (BERT) para la extracción específica de entidades y relaciones de dominio. La recopilación sistemática de datos, el preprocesamiento de corpus de texto empresarial, el ajuste fino de BERT para identificar entidades y relaciones, la conversión de triples extraídos en grafos de conocimiento estructurados y la alineación de ontologías basada en GNN para garantizar la consistencia semántica entre fuentes de conocimiento heterogéneas, conforman la cadena metodológica. Para evaluar la eficacia del sistema en escenarios empresariales reales, el marco también integra medidas de evaluación orientadas a tareas, como la precisión de recuperación, la corrección del alineamiento de ontologías y la latencia de la decisión. En comparación con los métodos de referencia, la validación experimental en dos aplicaciones industriales muestra una disminución del 35% en la latencia de toma de decisiones y un aumento del 21% en la precisión de recuperación de conocimiento.

Además, los comentarios de los usuarios indican que la interfaz de KM ha aumentado la satisfacción del usuario gracias a sus funciones de búsqueda semántica y etiquetado contextual. La arquitectura sugerida facilita la construcción de grafos de conocimiento reproducibles a partir de datos empresariales no estructurados al fusionar metódicamente el razonamiento basado en grafos y la alineación con la extracción de información basada en aprendizaje profundo. Los hallazgos demuestran que tanto los resultados estratégicos como operativos en gestión de gestión mejoran cuando las representaciones organizadas del conocimiento están alineadas con los procedimientos organizativos. En definitiva, el método sugerido aumenta la precisión de la recuperación, acelera los tiempos de reacción en los flujos de trabajo de decisión y ofrece una opción viable y escalable para sistemas de gestión de la gestión a nivel empresarial.

Introduction

La gestión de gestión eficaz puede ser difícil de adoptar en programas de transformación digital debido a repositorios de datos desconectados, diversas plataformas organizativas y conocimiento fragmentado distribuido en documentos no estructurados. No se ha propuesto un marco reproducible y técnicamente implementable que extraga, estructura, alinea y operacionalice metódicamente el conocimiento empresarial, a pesar de que estudios anteriores analizaron la adopción de la IA y la transformación digital desde perspectivas organizativas ^{y sectoriales 1,2,3}<....

Protocol

Declaración ética

Este estudio fue revisado y aprobado por la Junta de Revisión Institucional (IRB) de la Universidad Nacional de Malasia (UKM) antes de la recopilación de datos (Id de aprobación: UKM/FEP/2025/AI-047; Fecha de aprobación: 12 de marzo de 2025). El protocolo aprobado abarcaba la administración de encuestas estructuradas y entrevistas semiestructuradas con participantes humanos. Todos los participantes fueron informados sobre el propósito del estudio, la naturaleza voluntaria de su participación y su derecho a retirarse en cualquier momento sin consecuencias, y se obtuvo el cons....

Results

Preprocesamiento de datos y ajuste fino de BERT

El dispositivo propuesto integra una versión BERT mejor ajustada para la extracción de comprensión no estructurada y una Red Neuronal de Grafos (GNN) para alineación y razonamiento de ontologías dentro de un marco de grafos comprensivos. La configuración experimental consistía en comparar el rendimiento general del aspecto BERT en tareas NER y RE, mientras que el factor GNN se analizaba en la pre.......

Discussion

Este estudio presenta un marco unificado de gestión de la inteligencia empresarial que integra la extracción semántica contextual usando BERT con razonamiento relacional basado en grafos y alineación de ontologías mediante GNNs. Para permitir la vinculación de entidades, el razonamiento entre documentos y la representación coherente del conocimiento entre diversas fuentes de datos empresariales, la principal contribución es la integración del modelado contextual profundo del lenguaje con.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Modelo preentrenado BERT-Base (sin cartuja)	Google AI	N/A	Modelo de lenguaje preentrenado basado en transformadores (variante sin carcasa en base bert)
Biblioteca de Grafos Profundos (DGL)	AWS Labs	RRID: SCR_017054	Versión 2.1 utilizada para el modelado de redes neuronales de grafos
Biblioteca de Visualización Matplotlib	Comunidad PyData	RRID: SCR_008624	Utilizado para gráficos de rendimiento y análisis visual
Biblioteca de grafos NetworkX	Comunidad PyPI	RRID: SCR_005317	Versión 3.2 utilizada para la construcción y análisis de grafos
Biblioteca de Computación Numérica NumPy	Comunidad PyData	RRID: SCR_008633	Utilizado para operaciones numéricas y procesamiento de matrices
GPU NVIDIA (Tesla T4 / RTX 3080)	NVIDIA Corporation	RRID: SCR_016409	Acelerador de hardware habilitado con CUDA para entrenamiento de modelos
Biblioteca de Análisis de Datos Pandas	Comunidad PyData	RRID: SCR_018214	Utilizado para manipulación de datos estructurados
Lenguaje de programación Python	Fundación de Software Python	RRID: SCR_008394	Versión 3.10 utilizada para el desarrollo de modelos y el procesamiento de datos
Marco de Aprendizaje Profundo PyTorch	Meta IA	RRID: SCR_018536	Versión 2.0 utilizada para la implementación de redes neuronales
Biblioteca de Aprendizaje Automático Scikit-Learn	Desarrolladores de Scikit-learn	RRID: SCR_002577	Versión 1.5 utilizada para preprocesamiento y métricas de evaluación
Biblioteca de PLN de Transformers	Cara de abrazo	RRID: SCR_020989	Versión 4.40 usada para modelos de transformadores preentrenados
Sistema operativo Ubuntu Linux	Canonical Ltd.	RRID: SCR_018317	Entorno de ejecución LTS versión 20.04