Um fluxo de trabalho de IA que combina representações bidirecionais de codificadores de transformadores (BERT) e redes neurais de grafos (GNNs) para recuperação de conhecimento em empresas digitais

Summary

Esse protocolo apresenta um fluxo de trabalho reproduzível impulsionado por IA que ajusta o BERT para extração de entidades e relações, utiliza redes neurais de grafos para alinhamento de ontologias, constrói grafos de conhecimento empresarial a partir de dados não estruturados e avalia sistematicamente o desempenho da recuperação semântica e a eficiência do suporte à decisão.

Abstract

Grandes volumes de dados organizacionais não estruturados podem dificultar para sistemas de gestão do conhecimento empresarial (KM) extraírem informações corretas e contextualmente relevantes, o que pode levar ao compartilhamento ineficiente de conhecimento e a decisões atrasadas. Este estudo sugere uma estrutura unificada impulsionada por inteligência artificial para superar essa limitação. Ele combina Redes Neurais de Grafos (GNNs) para alinhamento de ontologias e raciocínio semântico com Representações Bidirecionais de Codificadores de Transformers (BERT) refinadas para extração específica de entidades e relações de domínio. Coleta sistemática de dados, pré-processamento de corpus de texto empresarial, ajuste fino do BERT para identificar entidades e relações, conversão de triplos extraídos em grafos de conhecimento estruturados e alinhamento de ontologias baseados em GNN para garantir consistência semântica entre fontes de conhecimento heterogêneas, compõem o pipeline metodológico. Para avaliar a eficácia do sistema em cenários empresariais do mundo real, a estrutura também integra medidas de avaliação orientadas a tarefas, como precisão de recuperação, correção do alinhamento ontológico e latência de decisão. Quando comparado aos métodos base, a validação experimental em duas aplicações da indústria mostra uma redução de 35% na latência da tomada de decisão e um ganho de 21% na precisão da recuperação do conhecimento.

Além disso, o feedback dos usuários indica que a interface do KM aumentou a satisfação do usuário por meio de seus recursos de busca semântica e marcação contextual. A arquitetura sugerida facilita a construção de grafos de conhecimento reprodutíveis a partir de dados corporativos não estruturados, fundindo metodicamente raciocínio e alinhamento baseados em grafos com extração de informações baseada em aprendizado profundo. Os resultados demonstram que tanto os resultados estratégicos quanto operacionais da gestão de gestão melhoraram quando representações organizadas do conhecimento estão alinhadas com os procedimentos organizacionais. Considerando tudo, o método sugerido aumenta a precisão da recuperação, acelera os tempos de reação do fluxo de trabalho de decisão e oferece uma opção viável e escalável para sistemas de gestão de serviços em nível empresarial.

Introduction

A gestão eficaz de Gestão de Informação pode ser difícil de adotar em programas de transformação digital devido a repositórios de dados desconexos, diversas plataformas organizacionais e conhecimento fragmentado espalhado por documentos não estruturados. Uma estrutura reproduzível e tecnicamente implementável que extraia, estrutura, alinhe e operacionaliza o conhecimento empresarial metodicamente não foi proposta por muitas pesquisas, apesar de estudos anteriores terem analisado a adoção da IA e a transformação digital sob perspectivas organizacional e ^setorial

Protocol

Declaração ética

Este estudo foi revisado e aprovado pelo Conselho de Revisão Institucional (IRB) da Universidade Nacional da Malásia (UKM) antes da coleta dos dados (Id de Aprovação: UKM/FEP/2025/AI-047; Data de aprovação: 12 de março de 2025). O protocolo aprovado abrangia a administração de pesquisas estruturadas e entrevistas semiestruturadas envolvendo participantes humanos. Todos os participantes foram informados sobre o propósito do estudo, a natureza voluntária de sua participação e seu direito de se retirar a qualquer momento sem consequências, e o consentimento informado por escrito....

Results

Pré-processamento de dados e ajuste fino de BERT

O dispositivo proposto integra uma versão BERT melhor ajustada para extração de compreensão não estruturada e uma Rede Neural de Grafos (GNN) para alinhamento e raciocínio de ontologias dentro de um framework de grafos de compreensão. A configuração experimental consistia em comparar o desempenho geral do aspecto BERT em tarefas NER e RE, enquanto o fator GNN passou a ser avaliado na previsão de.......

Discussion

Este estudo apresenta uma estrutura unificada de KM empresarial que integra extração semântica contextual usando BERT com raciocínio relacional baseado em grafos e alinhamento de ontologias por meio de GNNs. Para possibilitar a ligação de entidades, raciocínio entre documentos e representação coerente do conhecimento entre fontes de dados empresariais díspares, a principal contribuição é a integração de modelagem contextual profunda de linguagem com inferência estruturada e consciente da.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Modelo pré-treinado BERT-Base (Não Caseado)	Google AI	N/A	Modelo de linguagem pré-treinado baseado em transformador (variante sem base de bert)
Biblioteca de Grafos Profundos (DGL)	AWS Labs	RRID: SCR_017054	Versão 2.1 usada para modelagem de redes neurais de grafos
Biblioteca de Visualização Matplotlib	Comunidade PyData	RRID: SCR_008624	Usado para gráficos de desempenho e análises visuais
Biblioteca de Grafos NetworkX	Comunidade PyPI	RRID: SCR_005317	Versão 3.2 usada para construção e análise de grafos
Biblioteca de Computação Numérica NumPy	Comunidade PyData	RRID: SCR_008633	Usado para operações numéricas e processamento de arrays
GPU NVIDIA (Tesla T4 / RTX 3080)	NVIDIA Corporation	RRID: SCR_016409	Acelerador de hardware habilitado por CUDA para treinamento de modelos
Biblioteca de Análise de Dados Pandas	Comunidade PyData	RRID: SCR_018214	Usado para manipulação de dados estruturados
Linguagem de Programação Python	Fundação de Software Python	RRID: SCR_008394	Versão 3.10 usada para desenvolvimento de modelos e processamento de dados
PyTorch Deep Learning Framework	Meta IA	RRID: SCR_018536	Versão 2.0 usada para implementação de redes neurais
Biblioteca de Aprendizado de Máquina Scikit-learn	Desenvolvedores Scikit-learn	RRID: SCR_002577	Versão 1.5 usada para pré-processamento e métricas de avaliação
Biblioteca de PLN Transformers	Rosto de Abraço	RRID: SCR_020989	Versão 4.40 usada para modelos pré-treinados de transformadores
Sistema Operacional Ubuntu Linux	Canonical Ltd.	RRID: SCR_018317	Ambiente de execução LTS versão 20.04