Un flusso di lavoro AI che combina rappresentazioni bidirezionali di encoder da Transformers (BERT) e reti neurali a grafi (GNN) per il recupero della conoscenza nelle imprese digitali

Summary

Questo protocollo presenta un flusso di lavoro riproducibile guidato dall'IA che affina BERT per l'estrazione di entità e relazioni, impiega reti neurali a grafi per l'allineamento dell'ontologia, costruisce grafi di conoscenza aziendale a partire da dati non strutturati e valuta sistematicamente le prestazioni del recupero semantico e l'efficienza del supporto decisionale.

Abstract

Grandi volumi di dati organizzativi non strutturati possono rendere difficile per i sistemi di gestione della conoscenza aziendale (KM) estrarre informazioni corrette e contestualmente rilevanti, il che può portare a una condivisione inefficiente delle conoscenze e a ritardi nelle decisioni. Questo studio suggerisce un quadro unificato guidato dall'intelligenza artificiale per superare questa limitazione. Combina Reti Neurali a Grafo (GNN) per l'allineamento di ontologie e il ragionamento semantico con Rappresentazioni Bidirezionali Encoder da Transformers (BERT) raffinate per l'estrazione di entità e relazioni specifiche per dominio. La raccolta sistematica dei dati, la pre-elaborazione di corpora di testo aziendale, la fine-tuning del BERT per identificare entità e relazioni, la conversione dei tripli estratti in grafi di conoscenza strutturati e l'allineamento di ontologie basato su GNN per garantire la coerenza semantica tra fonti di conoscenza eterogenee, costituiscono la pipeline metodologica. Per valutare l'efficacia del sistema in scenari aziendali reali, il framework integra anche misure di valutazione orientate al compito, come la precisione nel recupero, la correttezza dell'allineamento dell'ontologia e la latenza decisionale. Rispetto ai metodi di base, la validazione sperimentale in due applicazioni industriali mostra una diminuzione del 35% della latenza decisionale e un aumento del 21% nella precisione nel recupero delle conoscenze.

Inoltre, il feedback degli utenti indica che l'interfaccia KM ha aumentato la soddisfazione grazie alle sue funzionalità di ricerca semantica e di tagging contestuale. L'architettura suggerita facilita la costruzione di grafi di conoscenza riproducibili a partire dai dati aziendali non strutturati, fondendo metodicamente il ragionamento e l'allineamento basati su grafi con l'estrazione di informazioni basata sul deep learning. I risultati dimostrano che sia i risultati strategici che operativi della gestione dei dati sono migliorati quando le rappresentazioni organizzate della conoscenza sono allineate alle procedure organizzative. Tutto sommato, il metodo suggerito aumenta la precisione del recupero, accelera i tempi di reazione dei flussi di lavoro decisionali e offre un'opzione praticabile e scalabile per i sistemi KM a livello enterprise.

Introduction

Una KM efficace può essere difficile da adottare nei programmi di trasformazione digitale a causa di repository dati disgiunti, piattaforme organizzative diversificate e conoscenze frammentate distribuite tra documenti non strutturati. Un framework riproducibile e tecnicamente implementabile che estraga, struttura, allinea e operativizzi metodicamente la conoscenza aziendale non è stato proposto da molte ricerche, nonostante studi precedenti abbiano esaminato l'adozione dell'IA e la trasformazione digitale da prospettive organizzative ^{e settoriali 1,2,3}....

Protocol

Dichiarazione etica

Questo studio è stato esaminato e approvato dall'Institutional Review Board (IRB) della National University of Malaysia (UKM) prima della raccolta dei dati (Approval ID: UKM/FEP/2025/AI-047; Data di approvazione: 12 marzo 2025). Il protocollo approvato copriva l'amministrazione di sondaggi strutturati e interviste semi-strutturate con partecipanti umani. Tutti i partecipanti sono stati informati sullo scopo dello studio, sulla natura volontaria della loro partecipazione e sul loro diritto di ritirarsi in qualsiasi momento senza conseguenze, e il consenso scritto informato ....

Results

Pre-elaborazione dei dati e messa a punto fine BERT

Il dispositivo proposto integra una versione BERT al meglio calibrata per l'estrazione di comprensione non strutturata e una Rete Neurale a Grafo (GNN) per l'allineamento e il ragionamento di ontologie all'interno di un framework di grafo di comprensione. La configurazione sperimentale si concentrava sul confronto delle prestazioni complessive della parte BERT sui compiti NER e RE, mentre il .......

Discussion

Questo studio presenta un framework unificato per la gestione delle tecnologie aziendali che integra l'estrazione semantica contestuale usando BERT con ragionamento relazionale basato su grafi e allineamento ontologico tramite GNN. Per consentire il collegamento di entità, il ragionamento tra documenti e una rappresentazione coerente della conoscenza tra fonti di dati aziendali disparate, il contributo principale è l'integrazione di una modellazione linguistica contestuale profonda con u.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Modello preaddestrato BERT-Base (Non Custodito)	Google AI	N/A	Modello linguistico pre-addestrato basato su Transformer (variante senza case senza base bert)
Libreria Profonda di Grafi (DGL)	AWS Labs	RRID: SCR_017054	Versione 2.1 utilizzata per la modellazione di reti neurali a grafo
Libreria di visualizzazione Matplotlib	Comunità PyData	RRID: SCR_008624	Utilizzato per grafici di performance e analisi visive
Libreria di grafi NetworkX	Comunità PyPI	RRID: SCR_005317	Versione 3.2 utilizzata per la costruzione e l'analisi dei grafi
Libreria di calcolo numerico NumPy	Comunità PyData	RRID: SCR_008633	Utilizzato per operazioni numeriche e elaborazione di array
GPU NVIDIA (Tesla T4 / RTX 3080)	NVIDIA Corporation	RRID: SCR_016409	Acceleratore hardware abilitato CUDA per l'addestramento dei modelli
Biblioteca di Analisi Dati Pandas	Comunità PyData	RRID: SCR_018214	Utilizzato per la manipolazione di dati strutturati
Linguaggio di programmazione Python	Python Software Foundation	RRID: SCR_008394	Versione 3.10 utilizzata per lo sviluppo di modelli e l'elaborazione dei dati
PyTorch Deep Learning Framework	Meta AI	RRID: SCR_018536	Versione 2.0 utilizzata per l'implementazione di reti neurali
Biblioteca di Machine Learning Scikit-Learn	Sviluppatori Scikit-learn	RRID: SCR_002577	Versione 1.5 utilizzata per la preelaborazione e le metriche di valutazione
Libreria NLP Transformers	Faccia che abbraccia	RRID: SCR_020989	Versione 4.40 utilizzata per modelli di trasformatori pre-addestrati
Sistema operativo Ubuntu Linux	Canonical Ltd.	RRID: SCR_018317	Versione 20.04 Ambiente di esecuzione LTS