Een AI-workflow die bidirectionele encoderrepresentaties van transformers (BERT) en graph neurale netwerken (GNN's) combineert voor kennisopvraging in digitale ondernemingen

Summary

Dit protocol presenteert een reproduceerbare, door AI aangedreven workflow die BERT fin-tunt voor entiteit- en relatie-extractie, grafneurale netwerken gebruikt voor ontologie-uitlijning, enterprise knowledge graphs construeert uit ongestructureerde data en systematisch de prestaties van semantische opvraging en de efficiëntie van besluitvormingsondersteuning evalueert.

Abstract

Grote hoeveelheden ongestructureerde organisatiedata kunnen het voor enterprise knowledge management (KM)-systemen moeilijk maken om correcte en contextueel relevante informatie te extraheren, wat kan leiden tot inefficiënte kennisdeling en vertraagde besluitvorming. Deze studie suggereert een uniform, door kunstmatige intelligentie gedreven kader om deze beperking te overwinnen. Het combineert Graph Neural Networks (GNN's) voor ontologie-uitlijning en semantisch redeneren met verfijnde Bidirectional Encoder Representations from Transformers (BERT) voor domeinspecifieke entiteit- en relatie-extractie. Systematische gegevensverzameling, voorbewerking van bedrijfstekstcorpora, het fijn afstemmen van BERT om entiteiten en relaties te identificeren, het omzetten van geëxtraheerde triples in gestructureerde kennisgrafieken, en GNN-gebaseerde ontologie-uitlijning om semantische consistentie te garanderen over heterogene kennisbronnen, vormen de methodologische pijplijn. Om de effectiviteit van het systeem in echte bedrijfsscenario's te evalueren, integreert het framework ook taakgerichte beoordelingsmetingen, zoals ophaalprecisie, ontologie-uitlijning correctheid en besluitlatenschap. In vergelijking met basismethoden toont experimentele validatie in twee industriële toepassingen een vermindering van 35% in besluitvormingslatentie en een toename van 21% in kennisophaalprecisie.

Bovendien geeft gebruikersfeedback aan dat de KM-interface de gebruikerstevredenheid heeft verhoogd door zijn semantische zoekfunctie en contextuele taggingfuncties. De voorgestelde architectuur faciliteert reproduceerbare kennisgrafieken uit ongestructureerde bedrijfsdata door methodisch grafgebaseerd redeneren en afstemmen te combineren met deep learning-gebaseerde informatie-extractie. De bevindingen tonen aan dat zowel strategische als operationele KM-resultaten verbeterden wanneer georganiseerde kennisrepresentaties werden afgestemd op organisatorische procedures. Uiteindelijk verhoogt de voorgestelde methode de ophaalnauwkeurigheid, versnelt de reactietijden van de beslissingsworkflow en biedt het een werkbare en schaalbare optie voor KM-systemen op bedrijfsniveau.

Introduction

Effectieve KM kan moeilijk te implementeren zijn in digitale transformatieprogramma's vanwege onsamenhangende datarepositories, diverse organisatorische platforms en gefragmenteerde kennis verspreid over ongestructureerde documenten. Een reproduceerbaar, technisch uitvoerbaar kader dat methodisch enterprisekennis extraheert, structureert, uitlijnt en operationeel maakt, is door weinig onderzoek voorgesteld, ondanks eerdere studies die AI-adoptie en digitale transformatie vanuit organisatorisch en sectoraal perspectief bekeken, ^1,2,3. Huidige ....

Protocol

Ethische verklaring

Deze studie werd beoordeeld en goedgekeurd door de Institutional Review Board (IRB) van The National University of Malaysia (UKM) voorafgaand aan de gegevensverzameling (Goedkeurings-ID: UKM/FEP/2025/AI-047; Goedkeuringsdatum: 12 maart 2025). Het goedgekeurde protocol omvatte het afnemen van gestructureerde enquêtes en semi-gestructureerde interviews met menselijke deelnemers. Alle deelnemers werden geïnformeerd over het doel van de studie, het vrijwillige karakter van hun deelname en hun recht om zich op elk moment zonder gevolgen terug te trekken, en er werd schriftelijk....

Results

Data-voorverwerking en BERT-fine-tuning

Het voorgestelde apparaat integreert een best afgestemde BERT-versie voor ongestructureerde begripextractie en een Graph Neural Network (GNN) voor ontologie-uitlijning en redenering binnen een grafenframework. De experimentele opstelling bestond uit het vergelijken van de algehele prestaties van het BERT-aspect op NER- en RE-taken, terwijl de GNN-factor werd onderzocht op linkvoorspelling en knooppuntkla.......

Discussion

Deze studie presenteert een geïntegreerd enterprise KM-framework dat contextuele semantische extractie met BERT integreert met grafgebaseerde relationele redenering en ontologie-uitlijning via GNN's. Om entiteitskoppeling, cross-document redenering en coherente kennisrepresentatie over uiteenlopende zakelijke databronnen mogelijk te maken, is de belangrijkste bijdrage de integratie van diepe contextuele taalmodellering met gestructureerde, ontologiebewuste inferentie binnen één enkele pi.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BERT-Base (Uncased) Pretrained Model	Google AI	N/A	Transformer-based pretrained language model (bert-base-uncased variant)
Deep Graph Library (DGL)	AWS Labs	RRID: SCR_017054	Versie 2.1 gebruikt voor graaf neurale netwerkmodellering
Matplotlib Visualisatiebibliotheek	PyData Community	RRID: SCR_008624	Gebruikt voor prestatieplots en visuele analyse
NetworkX Graafbibliotheek	PyPI Community	RRID: SCR_005317	Versie 3.2 gebruikt voor graafconstructie en analyse
NumPy Numerieke Rekenbibliotheek	PyData Community	RRID: SCR_008633	Gebruikt voor numerieke bewerkingen en arrayverwerking
NVIDIA GPU (Tesla T4 / RTX 3080)	NVIDIA Corporation	RRID: SCR_016409	CUDA-geschikte hardwareversneller voor modeltraining
Pandas Data-analysebibliotheek	PyData Community	RRID: SCR_018214	Gebruikt voor gestructureerde gegevensmanipulatie
Python Programmeertaal	Python Software Foundation	RRID: SCR_008394	Versie 3.10 gebruikt voor modelontwikkeling en gegevensverwerking
PyTorch Deep Learning Framework	Meta AI	RRID: SCR_018536	Versie 2.0 gebruikt voor neurale netwerkimplementatie
Scikit-learn Machine Learning Bibliotheek	Scikit-learn Ontwikkelaars	RRID: SCR_002577	Versie 1.5 gebruikt voor voorverwerking en evaluatiemetrieken
Transformers NLP Bibliotheek	Hugging Face	RRID: SCR_020989	Versie 4.40 gebruikt voor voorgetrainde transformermodellen
Ubuntu Linux Besturingssysteem	Canonical Ltd.	RRID: SCR_018317	Versie 20.04 LTS runtime-omgeving