Рабочий процесс искусственного интеллекта, объединяющий представления двунаправленных кодировщиков из трансформаторов (BERT) и графовых нейронных сетей (GNN) для поиска знаний в цифровых предприятиях

Summary

Этот протокол представляет воспроизводимый рабочий процесс, управляемый ИИ, который тонко настраивает BERT для извлечения сущностей и отношений, использует нейронные сети графов для выравнивания онтологий, строит графы корпоративных знаний на основе неструктурированных данных и систематически оценивает производительность семантического поиска и эффективность поддержки принятия решений.

Abstract

Большие объёмы неструктурированных организационных данных могут затруднять для систем управления знаниями предприятия (KM) извлекать правильную и контекстно релевантную информацию, что может привести к неэффективному обмену знаниями и задержкам в принятии решений. Это исследование предлагает единую структуру, основанную на искусственном интеллекте, для преодоления этого ограничения. Он сочетает нейронные сети графов (GNN) для выравнивания онтологий и семантического мышления с усовершенствованными двунаправленными представлениями кодировщиков из трансформеров (BERT) для извлечения сущностей, специфичных для доменных сущностей и отношений. Систематический сбор данных, предварительная обработка корпоративных текстовых корпусов, тонкая настройка BERT для идентификации сущностей и отношений, преобразование извлечённых троиков в структурированные графы знаний и выравнивание онтологий на основе GNN для обеспечения семантической согласованности между гетерогенными источниками знаний составляют методологический конвейер. Для оценки эффективности системы в реальных корпоративных сценариях фреймворк также интегрирует задачи-ориентированные методы оценки, такие как точность поиска, корректность выравнивания онтологий и задержка принятия решений. В сравнении с базовыми методами экспериментальная валидация в двух отраслевых приложениях показывает снижение задержки принятия решений на 35% и повышение точности поиска знаний на 21%.

Кроме того, отзывы пользователей указывают на то, что интерфейс KM повысил удовлетворённость пользователей благодаря своим семантическим поисковым и контекстным функциям тегирования. Предлагаемая архитектура облегчает построение воспроизводимых графов знаний на основе неструктурированных корпоративных данных, методично объединяя графовое мышление и согласование с извлечением информации на основе глубокого обучения. Результаты показывают, что как стратегические, так и операционные результаты КМ улучшаются, когда организованные представления знаний согласованы с организационными процедурами. В целом, предлагаемый метод повышает точность поиска, ускоряет реакцию процесса принятия решений и предлагает рабочий и масштабируемый вариант для корпоративных KM-систем.

Introduction

Эффективный КМ может быть сложным для внедрения в программах цифровой трансформации из-за разрозненных хранилищ данных, разнообразных организационных платформ и фрагментированных знаний, распределённых по неструктурированным документам. Воспроизводимая, технически реализуемая структура, которая методично извлекает, структурирует, согласует и реализует корпоративные знания, не была предложена в ходе многочисленных исследований, несмотря на более ранние исследования, изучающие внедрение ИИ и цифровую трансформацию с организационной и отраслевой точки^{зрения 1, 2, 3}

Protocol

Этическое заявление

Это исследование было рассмотрено и одобрено Институциональным обзорным советом (IRB) Национального университета Малайзии (UKM) до начала сбора данных (Одобрение ID: UKM/FEP/2025/AI-047; Дата утверждения: 12 марта 2025 года). Утверждённый протокол охватывал проведение структурированных опросов и полуструктурированных интервью с участием людей. Всем участникам было проинформировано о целях исследования, добровольном характере их участия и о праве отказаться в любой момент без последствий, а также получено письменное информированное согласие до их включения. Анонимность и ко....

Results

Предварительная обработка данных и тонкая настройка BERT

Предлагаемое устройство интегрирует наиболее настроенную версию BERT для извлечения неструктурированного понимания и нейронную сеть графов (GNN) для выравнивания и рассуждения онтологий внутри рамки графов понимания. Экспериментальная установка заключалась в сравнении общей производительности аспекта BERT на задачах NER и RE, в то время как коэффициент GNN стал анализироваться на прогноз.......

Discussion

В данном исследовании представлена единая корпоративная KM-структура, интегрирующая контекстную семантическую экстракцию с использованием BERT с графовым реляционным рассуждением и онтологическим согласованием через GNN. Для обеспечения связывания сущностей, рассуждений между документами и согласованного представления знаний между разрознеными бизнес-источниками данных, основным вкладом является интеграция глубокого контекстного моделирования языка со структурированным, онтологически осо.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Модель предварительно обученной BERT-Base (без корпуса)	Google AI	Н/Д	Модель предварительно обученного языка на основе трансформаторов (вариант с bert-base-uncased)
Библиотека глубоких графов (DGL)	AWS Labs	РРИД: SCR_017054	Версия 2.1 используется для моделирования нейронных сетей графов
Библиотека визуализации Matplotlib	Сообщество PyData	РРИД: SCR_008624	Используется для графиков производительности и визуальной аналитики
Библиотека графов NetworkX	Сообщество PyPI	РРИД: SCR_005317	Версия 3.2 используется для построения и анализа графов
Числовая вычислительная библиотека NumPy	Сообщество PyData	РРИД: SCR_008633	Используется для численных операций и обработки массивов
Видеокарта NVIDIA (Tesla T4 / RTX 3080)	Корпорация NVIDIA	РРИД: SCR_016409	Аппаратный ускоритель с поддержкой CUDA для обучения моделей
Аналитическая библиотека данных Pandas	Сообщество PyData	РРИД: SCR_018214	Используется для обработки структурированных данных
Язык программирования Python	Фонд программного обеспечения Python	РРИД: SCR_008394	Версия 3.10 используется для разработки моделей и обработки данных
Фреймворк глубокого обучения PyTorch	Meta AI	РРИД: SCR_018536	Версия 2.0, используемая для реализации нейронных сетей
Библиотека машинного обучения Scikit-learn	Разработчики Scikit-learn	РРИД: SCR_002577	Версия 1.5 используется для метрик предварительной обработки и оценки
Библиотека NLP Transformers	Обнимающее лицо	РРИД: SCR_020989	Версия 4.40, используемая для предобученных моделей трансформаторов
Операционная система Ubuntu Linux	Canonical Ltd.	РРИД: SCR_018317	Среда выполнения LTS версии 20.04