Un flux de travail IA combinant des représentations bidirectionnelles d’encodeurs à partir de transformers (BERT) et des réseaux neuronaux graphiques (GNN) pour la récupération de connaissances dans les entreprises numériques

Summary

Ce protocole présente un flux de travail reproductible piloté par l’IA qui ajuste BERT pour l’extraction d’entités et de relations, utilise des réseaux de neurones de graphes pour l’alignement des ontologies, construit des graphes de connaissances d’entreprise à partir de données non structurées, et évalue systématiquement la performance de la récupération sémantique ainsi que l’efficacité du support décisionnel.

Abstract

De grands volumes de données organisationnelles non structurées peuvent rendre difficile l’extraction d’informations correctes et contextuelles par les systèmes de gestion des connaissances (KM) d’entreprise, ce qui peut entraîner un partage inefficace des connaissances et des retards dans la prise de décision. Cette étude suggère un cadre unifié piloté par l’intelligence artificielle pour surmonter cette limitation. Il combine les réseaux neuronaux de graphes (GNN) pour l’alignement des ontologies et le raisonnement sémantique avec des représentations bidirectionnelles affinées des encodeurs à partir de transformers (BERT) pour l’extraction d’entités et de relations spécifiques au domaine. La collecte systématique de données, le prétraitement des corpus textuels d’entreprise, l’ajustement fin du BERT pour identifier les entités et les relations, la conversion des triplets extraits en graphes de connaissances structurés, ainsi que l’alignement d’ontologies basé sur GNN pour garantir la cohérence sémantique entre des sources de connaissances hétérogènes, constituent la chaîne méthodologique. Pour évaluer l’efficacité du système dans des scénarios d’entreprise réels, le cadre intègre également des mesures d’évaluation orientées tâche, telles que la précision de récupération, la correction de l’alignement des ontologies et la latence de décision. Comparée aux méthodes de référence, la validation expérimentale dans deux applications industrielles montre une diminution de 35 % de la latence décisionnelle et un gain de 21 % de la précision de la recherche des connaissances.

De plus, les retours des utilisateurs indiquent que l’interface KM a augmenté la satisfaction des utilisateurs grâce à ses fonctions de recherche sémantique et de balisage contextuel. L’architecture suggérée facilite la construction de graphes de connaissances reproductibles à partir de données d’entreprise non structurées en fusionnant méthodiquement le raisonnement et l’alignement basés sur les graphes avec l’extraction d’informations basée sur l’apprentissage profond. Les résultats démontrent que les résultats stratégiques et opérationnels en gestion de gestion s’améliorent lorsque les représentations organisées des connaissances sont alignées sur les procédures organisationnelles. Tout bien considéré, la méthode suggérée augmente la précision de la récupération, accélère les temps de réaction des flux de décision et offre une option réalisable et évolutive pour les systèmes de gestion de gestion de la machine au niveau entreprise.

Introduction

Une gestion efficace de la gestion peut être difficile à adopter dans les programmes de transformation numérique en raison de dépôts de données disjoints, de plateformes organisationnelles diverses et de connaissances fragmentées dispersées dans des documents non structurés. Un cadre reproductible et techniquement implémentable qui extrait, structure, aligne et opérationnalise méthodiquement les connaissances d’entreprise n’a pas été proposé par beaucoup de recherches, malgré des études antérieures portant sur l’adoption de l’IA et la transformation numérique sous des perspectives organisationnelles et

Protocol

Déclaration éthique

Cette étude a été examinée et approuvée par le Conseil d’Éthique Institutionnelle (IRB) de l’Université Nationale de Malaisie (UKM) avant la collecte des données (Identifiant d’approbation : UKM/FEP/2025/AI-047 ; Date d’approbation : 12 mars 2025). Le protocole approuvé couvrait l’administration d’enquêtes structurées et d’entretiens semi-structurés impliquant des participants humains. Tous les participants ont été informés de l’objet de l’étude, de la nature volontaire de leur participation et de leur droit de se retirer à tout moment sans conséquence, et un consentement ....

Results

Prétraitement des données et ajustement fin BERT

L’appareil proposé intègre une version BERT optimalement réglée pour l’extraction de compréhension non structurée et un réseau de neurones de graphes (GNN) pour l’alignement et le raisonnement des ontologies dans un cadre de graphes d’apprentissage. Le montage expérimental consistait à comparer la performance globale de l’aspect BERT sur les tâches NER et RE, tandis que le facteur GNN était exam.......

Discussion

Cette étude présente un cadre unifié de gestion des ressources humaines d’entreprise qui intègre l’extraction sémantique contextuelle à l’aide de BERT avec un raisonnement relationnel basé sur les graphes et un alignement d’ontologies via les GNN. Afin de permettre la liaison d’entités, le raisonnement inter-documents et la représentation cohérente des connaissances à travers des sources de données métier disparates, la principale contribution est l’intégration de la modélisation context.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Modèle préentraîné BERT-Base (non cassé)	Google AI	N/A	Modèle de langage pré-entraîné basé sur Transformer (variante bert-base-non non casse)
Bibliothèque de graphes profonds (DGL)	AWS Labs	RRID : SCR_017054	Version 2.1 utilisée pour la modélisation des réseaux de neurones à graphes
Bibliothèque de visualisation Matplotlib	Communauté PyData	RRID : SCR_008624	Utilisé pour les graphiques de performance et l’analyse visuelle
Bibliothèque de graphes NetworkX	Communauté PyPI	RRID : SCR_005317	Version 3.2 utilisée pour la construction et l’analyse de graphes
Bibliothèque de calcul numérique NumPy	Communauté PyData	RRID : SCR_008633	Utilisé pour les opérations numériques et le traitement de tableaux
GPU NVIDIA (Tesla T4 / RTX 3080)	NVIDIA Corporation	RRID : SCR_016409	Accélérateur matériel compatible CUDA pour l’entraînement de modèles
Bibliothèque d’analyse de données Pandas	Communauté PyData	RRID : SCR_018214	Utilisé pour la manipulation de données structurées
Langage de programmation Python	Fondation Python Software	RRID : SCR_008394	Version 3.10 utilisée pour le développement de modèles et le traitement des données
Cadre d’apprentissage profond PyTorch	Méta IA	RRID : SCR_018536	Version 2.0 utilisée pour l’implémentation de réseaux neuronaux
Bibliothèque d’apprentissage automatique Scikit-learn	Développeurs Scikit-learn	RRID : SCR_002577	Version 1.5 utilisée pour le prétraitement et les métriques d’évaluation
Bibliothèque NLP Transformers	Visage de câlin	RRID : SCR_020989	Version 4.40 utilisée pour les modèles de transformateurs pré-entraînés
Système d’exploitation Ubuntu Linux	Canonical Ltd.	RRID : SCR_018317	Environnement d’exécution LTS version 20.04