Workflow AI łączący dwukierunkowe reprezentacje enkodera z transformatorów (BERT) i sieci neuronowych grafów (GNN) do wyszukiwania wiedzy w przedsiębiorstwach cyfrowych

Summary

Protokół ten prezentuje powtarzalny workflow sterowany AI, który dopracowuje BERT do ekstrakcji encji i relacji, wykorzystuje sieci neuronowe grafów do wyrównywania ontologii, konstruuje grafy wiedzy przedsiębiorstwa z danych nieustrukturyzowanych oraz systematycznie ocenia wydajność wyszukiwania semantycznego i efektywność wsparcia decyzyjnego.

Abstract

Duże ilości nieustrukturyzowanych danych organizacyjnych mogą utrudniać systemom zarządzania wiedzą przedsiębiorstwa (KM) wydobycie poprawnych i kontekstowo istotnych informacji, co może prowadzić do nieefektywnego dzielenia się wiedzą i opóźnień w podejmowaniu decyzji. Badanie to sugeruje jednolite ramy oparte na sztucznej inteligencji, które pokonają to ograniczenie. Łączy on sieci neuronowe grafów (GNN) do wyrównywania ontologii i rozumowania semantycznego z udoskonalonymi dwukierunkowymi reprezentacjami enkoderów z Transformers (BERT) do wyodrębniania jednostek i relacji specyficznych dla dziedziny. Systematyczne zbieranie danych, wstępne przetwarzanie korpusów tekstowych przedsiębiorstw, dopracowywanie BERT do identyfikacji encji i relacji, konwersja wyodrębnionych trójek na strukturalne grafy wiedzy oraz dopasowanie ontologii oparte na GNN, aby zagwarantować spójność semantyczną pomiędzy heterogenicznymi źródłami wiedzy, tworzą pipeline metodologiczny. Aby ocenić skuteczność systemu w rzeczywistych scenariuszach przedsiębiorstw, ramy integrują również miary oceny zorientowane na zadania, takie jak precyzja wyszukiwania, poprawność dopasowania ontologii oraz opóźnienia decyzyjne. W porównaniu z metodami wyjściowymi, walidacja eksperymentalna w dwóch zastosowaniach branżowych wykazuje spadek opóźnień podejmowania decyzji o 35% oraz wzrost precyzji wyszukiwania wiedzy o 21%.

Ponadto opinie użytkowników wskazują, że interfejs KM zwiększył satysfakcję dzięki swoim funkcjam wyszukiwania semantycznego i kontekstowego tagowania. Sugerowana architektura ułatwia powtarzalne budowanie grafów wiedzy na podstawie nieustrukturyzowanych danych przedsiębiorstwa poprzez metodyczne łączenie rozumowania opartego na grafach i dopasowywania z ekstrakcją informacji opartą na głębokim uczeniu. Wyniki pokazują, że zarówno strategiczne, jak i operacyjne wyniki KM poprawiały się, gdy zorganizowane reprezentacje wiedzy były zgodne z procedurami organizacyjnymi. Podsumowując, proponowana metoda zwiększa dokładność wyszukiwania, przyspiesza reakcje procesów decyzyjnych oraz oferuje funkcjonalną i skalowalną opcję dla systemów KM na poziomie korporacyjnym.

Introduction

Efektywne KM może być trudne do wdrożenia w programach transformacji cyfrowej ze względu na rozproszone repozytoria danych, różnorodne platformy organizacyjne oraz rozproszoną wiedzę rozproszoną w nieustrukturyzowanych dokumentach. Wielokrotnie, technicznie wdrożalne ramy, które metodycznie wyodrębniają, strukturyzują, dostosowują i uoperacyjniają wiedzę przedsiębiorstwa, nie zostały zaproponowane przez wiele badań, mimo wcześniejszych badań dotyczących adopcji AI i transformacji cyfrowej z perspektywy organizacyjnej i sektorowej ^1,2,3. Obecne metody koncentrują się głównie n....

Protocol

Oświadczenie etyczne
Badanie to zostało przeanalizowane i zatwierdzone przez Instytucjonalną Radę Przeglądową (IRB) Narodowego Uniwersytetu Malezji (UKM) przed zebraniem danych (Approval ID: UKM/FEP/2025/AI-047; Data zatwierdzenia: 12 marca 2025). Zatwierdzony protokół obejmował przeprowadzanie ankiet strukturalnych oraz półstrukturyzowanych wywiadów z udziałem uczestników ludzkich. Wszyscy uczestnicy zostali poinformowani o celu badania, dobrowolnym charakterze ich udziału oraz ich prawie do wycofania się w dowolnym momencie bez konsekwencji, a przed ich włączeniem uzyskano pisemną świadomą zgodę. Anonimowość i poufność uczestników były ściśle z....

Results

Wstępne przetwarzanie danych i precyzyjne dostrajanie BERT
Proponowane urządzenie integruje najlepiej dostrojoną wersję BERT do nieustrukturyzowanej ekstrakcji z zakresu zrozumienia oraz sieć neuronową grafu (GNN) do wyrównywania ontologii i rozumowania w ramach ram grafów zrozumienia. Eksperymentalny układ dotyczył porównania ogólnej wydajności aspektu BERT w zadaniach NER i RE, podczas gdy czynnik GNN został przeanalizowany na przewidywaniu łącza i klasie węzłów na zbudowanym grafie zrozumienia.

Discussion

Niniejsze badanie przedstawia zunifikowany framework enterprise KM, który integruje kontekstową ekstrakcję semantyczną za pomocą BERT z relacyjnym rozumowaniem opartym na grafach oraz dopasowaniem ontologii za pomocą GNN. Aby umożliwić łączenie encji, rozumowanie międzydokumentowe oraz spójną reprezentację wiedzy na różnych źródłach danych biznesowych, głównym wkładem jest integracja głębokiego modelowania językowego kontekstowego ze strukturyzowanym, świadomym ontologią wnioskowaniem w ramach jednego potoku

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Model wstępnie wytrenowany BERT-Base (bez cased)	Google AI	Nie ma	Model językowy oparty na transformatorze (wariant bert-base-uncaseed)
Biblioteka Głębokich Grafów (DGL)	AWS Labs	RRID: SCR_017054	Wersja 2.1 używana do modelowania sieci neuronowych na grafach
Biblioteka wizualizacji Matplotlib	Społeczność PyData	RRID: SCR_008624	Wykorzystywane do wykresów wydajności i analityki wizualnej
Biblioteka grafów NetworkX	Społeczność PyPI	RRID: SCR_005317	Wersja 3.2 używana do konstrukcji i analizy grafów
Biblioteka obliczeń numerycznych NumPy	Społeczność PyData	RRID: SCR_008633	Wykorzystywane do operacji numerycznych i przetwarzania tablic
Karta graficzna NVIDIA (Tesla T4 / RTX 3080)	NVIDIA Corporation	RRID: SCR_016409	Sprzętowy akcelerator z CUDA do trenowania modeli
Biblioteka Analizy Danych Pandas	Społeczność PyData	RRID: SCR_018214	Wykorzystywane do manipulacji danymi strukturalnymi
Język programowania Python	Python Software Foundation	RRID: SCR_008394	Wersja 3.10 używana do tworzenia modeli i przetwarzania danych
Ramy Głębokiego Uczenia PyTorch	Meta AI	RRID: SCR_018536	Wersja 2.0 używana do implementacji sieci neuronowych
Biblioteka uczenia maszynowego Scikit-learn	Scikit-learn Developers	RRID: SCR_002577	Wersja 1.5 używana do wstępnego przetwarzania i oceny metryk
Biblioteka NLP Transformers	Przytulająca się twarz	RRID: SCR_020989	Wersja 4.40 używana dla modeli transformatorów wstępnie wytrenowanych
System operacyjny Ubuntu Linux	Canonical Ltd.	RRID: SCR_018317	Środowisko uruchomieniowe LTS w wersji 20.04