Construcción de sistemas inteligentes de apoyo a la toma de decisiones mediante la integración de generación aumentada por recuperación y grafos de conocimiento

Este artículo propone un nuevo marco para sistemas inteligentes de apoyo a la toma de decisiones basado en modelos de generación aumentada de recuperación y grafos de conocimiento, con el fin de superar las deficiencias de los enfoques actuales.

por Sili Wang, Heng Yang y Guang Zubai 

Abstracto

Sistemas como Mistral 7B, LLaMA-2 y otros tienden a fallar en la comprensión contextual, la transparencia y el razonamiento a lo largo de múltiples pasos que involucran diversos dominios. Nuestra arquitectura propuesta combina las fortalezas de los modelos generativos, potenciadas por la recuperación de conocimiento externo, con representaciones estructuradas y vinculadas del conocimiento del dominio. Con esta sinergia, demostramos una mejora en la precisión de las decisiones, la transparencia del razonamiento y la relevancia del contexto en comparación con el uso de cualquiera de las dos tecnologías por separado. La estructura cuenta con una capa flexible de orquestación del conocimiento que optimiza el intercambio de información entre representaciones estructuradas y capacidades generativas. Investigaciones realizadas en tres áreas, a saber, servicios financieros, gestión sanitaria y cadena de suministro, han demostrado que nuestro método funciona particularmente bien en lo que respecta al razonamiento interdominio y las consultas ambiguas. Este estudio profundiza nuestra comprensión de los sistemas de inteligencia artificial que mejoran el conocimiento y ofrece una hoja de ruta para un sistema de apoyo a la toma de decisiones de próxima generación. El marco está diseñado para abordar algunos de los problemas más complejos que enfrentan las empresas al tomar decisiones. En particular, se basa tanto en el contexto como en la experiencia para ofrecer recomendaciones explicables.

Introducción

En la actualidad, las organizaciones utilizan datos para tomar decisiones en lugar de basarse en sentimientos, debido a la gran cantidad de datos disponibles. A pesar de este cambio, quienes toman las decisiones aún enfrentan desafíos significativos, como la sobrecarga de información, los silos de datos y la extracción de información útil de conjuntos de datos heterogéneos y complejos ^{1 , 2 , 3.} Si bien los sistemas tradicionales de soporte de decisiones son muy útiles, carecen de la capacidad de razonamiento y la comprensión contextual necesarias para abordar la complejidad del entorno empresarial. Esto ocurre con mayor frecuencia cuando se requieren decisiones transversales y se requiere una comprensión matizada de las variables relacionadas ^{4 , 5 , 6 , 7 , 8 , 9 , 10} .

Los avances recientes en inteligencia artificial, en particular en el ámbito de los grandes modelos lingüísticos, han demostrado un enorme potencial para el apoyo a la toma de decisiones. Sin embargo, al implementarse en entornos empresariales, estos modelos se enfrentan a serias limitaciones, como la información alucinante, la dificultad para comprender el dominio y la imposibilidad de justificar su razonamiento ^3 , 11. Estos problemas ponen de manifiesto la necesidad de algo más grande y mejor. Necesitamos algo que pueda encontrar un punto intermedio entre los modelos generativos y la representación del conocimiento.

Los grafos de conocimiento se están volviendo herramientas populares para representar y razonar sobre el conocimiento del dominio. Los grafos de conocimiento se definen como la combinación de tecnologías semánticas y estructuras de grafos para crear representaciones conectadas de entidades, la relación entre ellas y sus propiedades ^{4 , 12 , 13 , 14 , 15} . Esta herramienta es competente en el modelado de dominios complicados y el apoyo a la inferencia, proporcionando así una base estructurada para aplicaciones intensivas en conocimiento. Debido a que son capaces de representar relaciones explícitas y permitir el razonamiento, son particularmente útiles en contextos de apoyo a la toma de decisiones en los que las relaciones entre entidades son importantes ^16 , 17 . Los desarrollos recientes en la aplicación de grafos de conocimiento han tenido lugar en dominios como la medicina de precisión en la atención sanitaria ^6 , 18 y los sistemas de fabricación ^7 , 19 .

RAG (generación aumentada por recuperación), un enfoque para superar los límites de los grandes modelos lingüísticos complementando la inteligencia artificial generativa con conocimiento recuperado de fuentes externas, ha surgido en paralelo. Las arquitecturas RAG tienen un componente de recuperación que recupera información relevante de una fuente de conocimiento y un componente de generación que genera respuestas basadas en esa información ^{20 , 21 , 22 , 23 , 24.} Este enfoque mejora la base factual del contenido generado, a la vez que mantiene la flexibilidad y las capacidades de lenguaje natural de los modelos generativos. La eficacia de esta técnica ya se ha demostrado en su aplicación en campos especializados como los sistemas de detección de salud ⁸ y los motores de búsqueda académicos ^9 , 25 .

La combinación de estas dos tecnologías (recuperación y generación aumentada de grafos de conocimiento) presenta un gran potencial para la creación de sistemas de apoyo a la toma de decisiones que aprovechen las representaciones estructuradas del conocimiento mediante interacciones flexibles y razonamiento en lenguaje natural. No obstante, para alcanzar este potencial, es necesario identificar importantes desafíos técnicos y conceptuales que puedan aplicarse en estos campos. Los nuevos enfoques generativos basados ​​en inteligencia artificial para el modelado de metadatos y la construcción de conocimiento ^{(26 , 27 , 28 , 29 , 30)} pueden reducir significativamente el esfuerzo manual de ingeniería del conocimiento. Sin embargo, la construcción automatizada de grafos de conocimiento y su mantenimiento conllevan importantes desafíos.

En el trabajo fundacional de las incrustaciones de grafos de conocimiento ^11 , 12 , se muestra la integración del conocimiento simbólico mediante el aprendizaje estadístico. Estos métodos han dado lugar a sistemas de inteligencia híbridos que combinan la representación estructurada y el aprendizaje neuronal. Se han propuesto evaluaciones recientes para ampliar el razonamiento causal mediante grafos de conocimiento ¹³ y aplicaciones médicas de sistemas neurosimbólicos ^14. Esto sugiere que podría existir una potente integración de los enfoques simbólico y neuronal.

Los recientes desarrollos en la generación aumentada por recuperación mejorada con grafos de conocimiento han avanzado significativamente más allá de los enfoques de integración simples. Wu et al. (2025) introdujeron KG²RAG, demostrando cómo los grafos de conocimiento pueden guiar los procesos de expansión y organización de fragmentos para mejorar la diversidad y coherencia de la recuperación ³¹ . El marco GraphRAG de Microsoft ha mostrado mejoras sustanciales en la respuesta a consultas complejas mediante el uso de grafos de conocimiento generados por LLM para una mejor población de la ventana de contexto ³² . La investigación contemporánea también ha demostrado aplicaciones específicas del dominio: sistemas Document GraphRAG centrados en la fabricación que aprovechan la estructuración de documentos basada en grafos ³³ y aplicaciones de atención médica como MedRAG que combinan el razonamiento obtenido por grafos de conocimiento con la generación aumentada por recuperación ³⁴ . Sin embargo, estos enfoques se centran principalmente en implementaciones específicas del dominio o en la integración de una sola vía, en lugar de proporcionar marcos arquitectónicos completos que permitan la orquestación dinámica entre los componentes de razonamiento estructurado y neuronal.

Todavía hay brechas importantes en la integración de gráficos de conocimiento y generación aumentada por recuperación para sistemas inteligentes de soporte de decisiones debido a ellos. Los métodos existentes, hasta ahora, no proporcionan un marco que permita la integración perfecta de arquitecturas que utilizarán la fuerza complementaria de ambas tecnologías sin perder los beneficios de ninguna de ellas. Además, los sistemas existentes carecen de mecanismos avanzados para la orquestación dinámica del conocimiento que utiliza razonamiento estructurado versus razonamiento generativo según el contexto y la complejidad de la decisión. Más explicablemente, uno requiere un mecanismo para decidir cuándo implementar razonamiento estructurado y cuándo implementar razonamiento generativo. Además, si bien ambas tecnologías (por ejemplo, modelos causales y aprendizaje profundo) pueden respaldar explicaciones, la integración conjunta de estos enfoques para proporcionar explicaciones contextualmente apropiadas de múltiples niveles aún está en gran parte poco explorada, especialmente para aplicaciones de razonamiento causal. Comprender las rutas de inferencia se ha vuelto importante ¹⁵ .

El artículo explica un nuevo marco que promueve la conexión entre la representación del conocimiento y la inferencia en lenguaje natural. El objetivo de nuestra investigación es crear una arquitectura unificadora que combine grafos de conocimiento con generación aumentada por recuperación para el apoyo inteligente a la toma de decisiones. Además, desarrollaremos mecanismos de orquestación adaptativa para seleccionar dinámicamente las rutas de razonamiento óptimas. Asimismo, sintetizaremos explicaciones multinivel que combinen enfoques simbólicos y de lenguaje natural. Finalmente, validaremos el marco en diversos dominios de aplicación para garantizar su generalización y razonamiento interdominio.

Nuestro estudio realiza importantes contribuciones a los sistemas inteligentes de apoyo a la toma de decisiones, como se detalla a continuación. Presentamos un marco arquitectónico sistemático que integra enfoques de inteligencia artificial estructurada y generativa mediante nuevos métodos de integración. Creamos un motor dinámico de orquestación del conocimiento que selecciona inteligentemente las vías de razonamiento, considerando las características de las decisiones y el contexto. Consideramos que conviene sintetizar las vías que presentan razonamiento simbólico junto con sus explicaciones en lenguaje natural. Ofrecemos una evaluación integral de servicios financieros, gestión sanitaria y optimización de la cadena de suministro. Como resultado, observamos una mejora significativa en el rendimiento, especialmente en escenarios complejos de toma de decisiones interdisciplinares.

El resto del artículo se organiza de la siguiente manera: la Sección 2 presenta el marco propuesto, que incluye información sobre la arquitectura. La Sección 3 describe la implementación en uno de los tres dominios de aplicación. La Sección 4 presenta la metodología de evaluación y los resultados. La Sección 5 presenta las implicaciones, las limitaciones y la agenda de investigación futura. La Sección 6 finaliza con un resumen de las contribuciones y las implicaciones más generales de los sistemas inteligentes de apoyo a la toma de decisiones.

Marco propuesto

El marco de Apoyo Integrado a la Toma de Decisiones Mejorado por el Conocimiento (MIAD) es una arquitectura innovadora en sistemas inteligentes de toma de decisiones que integra grafos de conocimiento y generación aumentada por recuperación. Este marco cubre las lagunas de investigación identificadas mediante cinco componentes mutuamente integrados que se benefician de las fortalezas complementarias de la representación estructurada del conocimiento y los enfoques de inteligencia artificial generativa. Los componentes del marco se presentan en la Tabla  1 .

Tabla 1: Resumen de los componentes del marco IKEDS. Cada componente se describe con su función principal y su innovación clave. El marco integra cinco componentes principales que interactúan mediante un flujo de información bidireccional para facilitar la orquestación fluida del conocimiento entre los enfoques de IA estructurada y generativa.

From: Construction of intelligent decision support systems through integration of retrieval-augmented generation and knowledge graphs

Component	Primary function	Key innovation
Knowledge representation layer	Domain modeling and cross-domain mapping	Multi-tier architecture with hybrid embeddings
Retrieval optimization module	Information discovery and ranking	Integration of semantic and structural search
Dynamic knowledge orchestration engine	Reasoning pathway selection	Utility-based orchestration with continuous learning
Context-aware generation component	Response generation with constraints	Knowledge-guided generation planning
Multi-level explanation synthesizer	Transparent decision justification	Hierarchical explanation synthesis

El flujo de información bidireccional se muestra en las figuras  1 a 5 de los componentes integrados. La Capa de Representación del Conocimiento proporciona conocimiento esencial del dominio que alimenta el Módulo de Optimización de Recuperación para la búsqueda. El Motor de Orquestación Dinámica del Conocimiento identifica las mejores rutas de razonamiento y dirige la información al Componente de Generación Consciente del Contexto para generar respuestas. El MLES proporciona justificaciones claras y comprensibles. Los bucles de retroalimentación permiten el aprendizaje continuo y la adaptación a todos los componentes.

Capa de representación del conocimiento

La Capa de Representación del Conocimiento habilita el conocimiento del dominio con una arquitectura multinivel que facilita tanto el razonamiento intradominio como la integración entre dominios. Esta capa implementa tres niveles de conocimiento interconectados para formar un ecosistema de conocimiento. El Nivel de Ontología Central crea conceptos y relaciones independientes del dominio e integra ontologías superiores establecidas, como DOLCE y BFO, para la interoperabilidad. El Nivel Específico del Dominio abarca representaciones de conocimiento especializadas sobre dominios individuales. La ontología de cada dominio enriquece la ontología central, preservando su semántica. El Nivel de Mapeo entre Dominios crea relaciones formales y reglas de alineación que construyen puentes semánticos explícitos entre dominios. En la Fig.  2 , las entidades de atención médica se muestran como nodos conectados por las aristas de relación “trata”, “diagnosticado_con” y “prescrito_por”. El color de un nodo indica el tipo de entidad al que se refiere. El azul representa los nodos para pacientes, el verde para tratamiento, el rojo para afecciones y el amarillo para proveedores. El grosor de una arista representa la solidez de la relación. La estructura está conectada para permitir la navegación semántica en consultas de apoyo a la toma de decisiones clínicas. Esto demuestra cómo los grafos de conocimiento son capaces de razonar sobre relaciones médicas complejas.

Abordar la deriva semántica en incrustaciones híbridas

Para abordar el problema de la deriva semántica en las técnicas de incrustación híbrida, diseños que están especialmente orientados a entidades raras, empleamos una estrategia de mitigación de tres frentes.

En primer lugar, igualar el valor propio máximo de la matriz de covarianza de la variable latente a uno garantiza la identificabilidad de nuestro modelo. En segundo lugar, la ponderación basada en la confianza cambiará dinámicamente los pesos de las incrustaciones en función de la centralidad factorial de sus direcciones y su relación con la frecuencia. Las estrategias de respaldo son incrustaciones estructurales para casos en que no hay mucha información semántica, por lo que también son eficaces para conceptos poco comunes.

Módulo de optimización de recuperación

La incorporación de la estructura del grafo de conocimiento en una estrategia multifacética que sinergiza la búsqueda semántica, el recorrido de grafos con reconocimiento de estructura y la inferencia lógica amplía los métodos de recuperación convencionales. Mediante el uso de incrustaciones de vectores densos, la búsqueda semántica permite recuperar información relevante. Por otro lado, el recorrido con reconocimiento de estructura emplea la exploración guiada de la topología del grafo de conocimiento. La inferencia lógica utiliza cualquier regla de dominio para extraer conclusiones implícitas. Estas se combinan mediante un mecanismo de clasificación que busca un equilibrio entre relevancia, confianza y diversidad, mientras que un mecanismo de control adaptativo establece la profundidad óptima de recuperación.

Motor de orquestación de conocimiento dinámico

El Motor de Orquestación Dinámica del Conocimiento está diseñado para superar la brecha de la orquestación del conocimiento. Orquesta automáticamente el flujo y el razonamiento del conocimiento. Para cada tarea de decisión, el motor considera cinco posibles rutas: ejecución de razonamiento basado en grafos de conocimiento puros, ejecución de generación mejorada con recuperación pura, aplicación secuencial de ambas, aplicación paralela con fusión y ejecución de interacción iterativa con bucles de retroalimentación. El agente podía seleccionar una ruta, basándose en la tarea en cuestión y su conocimiento. Mediante el aprendizaje por refuerzo, el proceso de aprendizaje se desarrolla continuamente en función de los resultados. El Componente de Generación Consciente del Contexto va más allá de la incorporación de conocimiento estructural al proceso de generación en dos fases. Integra el conocimiento, seguido de una planificación mejorada con razonamiento y una generación restringida. La fase de integración del conocimiento sintetiza los elementos recuperados con los almacenados en la estructura del grafo de conocimiento. Los planes de generación se estructuran en la fase de planificación utilizando patrones de grafos de conocimiento. La etapa de generación restringida ejecuta planes que aplican restricciones basadas en el conocimiento para mantener la veracidad y la coherencia de los hechos. El Sintetizador de Explicaciones Multinivel aborda la falta de profundidad en las explicaciones generando explicaciones que integran el razonamiento simbólico con las explicaciones en lenguaje natural mediante un enfoque estratificado. El sintetizador genera explicaciones en múltiples niveles de abstracción, desde resúmenes ejecutivos hasta explicaciones técnicas detalladas, donde cada nivel integra evidencia factual, relaciones causales y análisis comparativo. Un sistema de restricciones jerárquicas garantiza la coherencia entre los niveles de explicación y evita contradicciones.

Diseñamos un marco para resolver conflictos semánticos y así resolver problemas de alineación ontológica. La puntuación de alineación multicriterio utiliza medidas de similitud semántica, estructural y funcional para crear correspondencias sólidas entre conceptos del dominio. La detección automatizada de conflictos busca correspondencias inconsistentes. Los flujos de trabajo de validación con expertos en el circuito aprovechan la experiencia del dominio durante la toma de decisiones críticas de alineación, a la vez que preservan la información completa sobre la procedencia para su revisión y refinamiento sistemáticos. El marco está diseñado para su aplicación práctica en entornos empresariales, con componentes modulares que se pueden implementar de forma incremental. Las organizaciones podrían comenzar con implementaciones de dominio único, que podrían expandirse a escenarios multidominio a medida que se disponga de recursos de ingeniería del conocimiento. Cada elemento opera por separado, pero cuenta con capacidades de integración, lo que permite estrategias de implementación flexibles que estabilizan la preparación de la organización y la disponibilidad de recursos.

Implementación y evaluación

Descripción general de la implementación

La implementación del Soporte Integrado de Decisiones Mejorado por el Conocimiento requirió un cuidadoso equilibrio entre las limitaciones teóricas y de ingeniería. Gradualmente, surgieron numerosas iteraciones de arquitectura; es decir, combinamos diferentes tecnologías para lograr una arquitectura óptima para todos los sistemas de soporte de decisiones. La capa donde se representa el conocimiento utiliza una arquitectura híbrida que implementa ontologías OWL 2 DL con Protégé para manipular grafos Neo4j utilizados para consultas y recorridos. El método de representación dual resuelve la tensión entre el razonamiento semántico y los aspectos computacionales. El mecanismo de sincronización de middleware personalizado entre estas representaciones permite que cada representación funcione con su propia estructura de datos, garantizando al mismo tiempo la consistencia. Para las incrustaciones de grafos de conocimiento, desarrollamos un generador de incrustaciones híbrido que fusiona información estructural de redes neuronales de grafos e información semántica de modelos de lenguaje adaptados al dominio. Este enfoque demostró ser superior a las incrustaciones estructurales puras para entidades con descripciones textuales limitadas, pero con una rica conectividad en el grafo, manteniendo al mismo tiempo la coherencia semántica de las entidades con descripciones textuales ricas. El proceso de fusión se basa en una red de puertas que aprende a ponderar los componentes estructurales y semánticos según la naturaleza de las entidades y la calidad de la información disponible. El módulo de optimización de recuperación integra tres enfoques. El primer enfoque es la recuperación de vectores densos utilizando transformadores de oraciones adaptados al dominio dado. El segundo es el recorrido de grafos con PageRank personalizado que propaga el recuperador relevante. El tercero es la inferencia lógica y esto se realiza mediante la integración con motores de razonamiento automatizado. Este método obtendrá más información pero no consumirá demasiada energía al controlar la profundidad. El motor de orquestación del conocimiento se basa en el aprendizaje de refuerzo para mejorar la selección de la ruta como una función del resultado observado. A medida que desarrollamos la arquitectura, se hizo evidente que la estrategia de orquestación evolucionó consistentemente hacia un mayor razonamiento de grafos de conocimiento para consultas estructuradas y enfoques generativos para consultas ambiguas, lo que confirma nuestra hipótesis de diseño híbrido. Las tecnologías de rendimiento e implementación se resumen en la Tabla  2 .

Tabla 2: Tecnologías de implementación y métricas de rendimiento para los componentes del marco IKEDS. Esta tabla presenta la pila tecnológica específica utilizada para cada componente, junto con los correspondientes indicadores de rendimiento, lo que demuestra la viabilidad práctica de la arquitectura propuesta.

From: Construction of intelligent decision support systems through integration of retrieval-augmented generation and knowledge graphs

Component	Technology stack	Performance metrics
Knowledge representation	OWL 2 DL + Neo4j v4.4.11	Query response: <500ms
Embeddings	R-GCN + BERT variants	Coverage: 98.7% entities
Retrieval	SentenceTransformers + Cypher	MAP improvement: 18–27%
Orchestration	Vowpal Wabbit v9.6.0	Pathway accuracy: 94.3%
Generation	Transformer + constraints	Consistency: 96.1%

Se requirieron adaptaciones específicas para un dominio específico en las tres áreas de aplicación. El área de finanzas requirió la ampliación de la ontología FIBO con 274 clases adicionales para el modelado del cumplimiento normativo. Además, el estudio implementó razonamiento temporal multiescala. Este último maneja granularidades de datos de microsegundos a trimestres. El área de salud amplió SNOMED CT con 318 conceptos administrativos adicionales e introdujo mecanismos de privacidad diferencial que requieren un ajuste cuidadoso de los parámetros. El área de la cadena de suministro requirió un modelado espaciotemporal integrado y optimización de múltiples objetivos, junto con una visualización de la frontera de Pareto.

Diseño de evaluación

La forma en que evaluamos es un estudio comparativo detallado para el rendimiento cuantitativo y la efectividad cualitativa en muchos aspectos. La evaluación mejora los marcos de evaluación de soporte de decisiones existentes al introducir escenarios interdominio, la evaluación de la calidad de la explicación y la medición de la capacidad de aprendizaje adaptativo. Este enfoque nos permite comparar sistemáticamente nuestro marco integrado con los existentes. Además, explica cómo la integración del grafo de conocimiento y la generación aumentada por recuperación logra un rendimiento superior. Comparamos nuestro marco de Soporte de Decisiones Integrado con Conocimiento Mejorado con tres líneas base correctamente construidas que representan el estado actual del arte en soporte de decisiones. La línea base KG-Only se basa en algoritmos de razonamiento de grafos de conocimiento convencionales sin componentes generativos. Hay recorrido de grafos, inferencia lógica y satisfacción de restricciones. El resultado es una recomendación de entidad puramente a partir de representaciones de grafos de conocimiento. Los métodos actuales de razonamiento estructurado que funcionan bien en el razonamiento lógico formal (como los solucionadores SMT), pero tienen dificultades con la interacción del lenguaje natural y situaciones de consulta ambiguas. La línea base RAG-Only implementa la generación aumentada por recuperación sin representar el conocimiento de forma estructurada. Su único medio para generar respuestas es la recuperación de vectores densos y modelos lingüísticos extensos. Los enfoques neuronales actuales, con impresionantes capacidades de lenguaje natural, que, sin embargo, no ofrecen las garantías de razonamiento sistemático y consistencia del conocimiento estructurado, constituyen la base. La base Parallel-KG-RAG opera sus componentes de grafo de conocimiento y generación aumentada por recuperación de forma independiente, y combina sus resultados mediante un conjunto ponderado. Es uno de los métodos de integración más sencillos e intenta aprovechar ambos tipos de tecnologías mediante esta simple fusión sin una integración arquitectónica profunda.

Para tres dominios de aplicación, expertos en el área colaboraron con nuestro equipo de investigación para desarrollar conjuntos de escenarios completos. Además, el conjunto de escenarios de evaluación refleja los escenarios de apoyo a la toma de decisiones en el mundo real, en lugar de simplificaciones académicas. La evaluación del dominio financiero consta de 47 escenarios de decisión de inversión. Estos incluyen la optimización de carteras considerando la normativa, el análisis de fusiones y adquisiciones, que requiere la integración de análisis financieros y consideraciones estratégicas, así como decisiones de evaluación ambiental, social y de gobernanza. Además, estos escenarios trascienden los límites de los análisis de inversión tradicionales. La evaluación del dominio de la salud examina 53 escenarios de decisión de gestión. Estos escenarios se refieren a decisiones de asignación de recursos que deben tomarse teniendo en cuenta los requisitos clínicos y las limitaciones operativas. Además, abarcan la selección de vías clínicas e iniciativas de mejora de la calidad. La evaluación del dominio de la cadena de suministro consta de 51 escenarios de optimización, que incluyen decisiones de selección de proveedores que deben tomarse considerando múltiples objetivos conflictivos, la optimización de la configuración de la red en condiciones de incertidumbre y la planificación de la respuesta ante interrupciones con la integración inmediata de diversas fuentes de información. Los escenarios se estratificaron deliberadamente según su nivel de complejidad, grado de incertidumbre y requisito de conocimiento interdisciplinario para garantizar una cobertura integral de las dificultades de apoyo a la toma de decisiones. Se prestó especial atención a aquellos escenarios que requieren las sofisticadas capacidades de razonamiento e integración que distinguen a nuestro marco de los más sencillos.

La Tabla  3 refleja las cinco dimensiones principales de evaluación empleadas en el marco de evaluación, las cuales capturan aspectos esenciales de la eficacia del sistema de apoyo a la toma de decisiones. La Tabla  3 contiene el marco completo de métricas de evaluación, incluyendo el método de medición, las ponderaciones asignadas a cada dimensión y su importancia relativa para la implementación del sistema de apoyo a la toma de decisiones en tiempo real.

La calidad de una decisión mide su corrección mediante la congruencia con el asesoramiento de expertos, su optimalidad mediante la distancia a soluciones demostrablemente óptimas, cuando estén disponibles, y su robustez mediante la insensibilidad a las perturbaciones en las entradas. La evaluación del conocimiento utilizado examina la relevancia de la información recuperada, la cobertura de los dominios de conocimiento relevantes y los vínculos de conocimiento novedosos e inesperados, pero útiles. La evaluación de la eficacia de la explicación considera hasta qué punto estas son comprensibles para los usuarios previstos, abarcan completamente la justificación de una decisión y son rastreables hasta las fuentes de conocimiento subyacentes relevantes. La evaluación del rendimiento de la integración se centra en el éxito del razonamiento interdominio, la eficiencia de la orquestación mediante la selección de vías y la alineación del razonamiento del grafo de conocimiento y los componentes generativos. La evaluación de la capacidad adaptativa examina básicamente la eficiencia del aprendizaje con respecto al tamaño de muestra necesario, la eficacia de la transferencia de conocimiento de un dominio relacionado y la respuesta de los gatos al error, con una respuesta eficaz cuando una decisión incorrecta ofrece una oportunidad de aprendizaje.

Tabla 3. Marco integral de métricas de evaluación con métodos de medición y ponderaciones de importancia. El marco captura cinco dimensiones clave de la eficacia de los sistemas de apoyo a la toma de decisiones, con ponderaciones que reflejan su importancia relativa para escenarios de implementación reales.

From: Construction of intelligent decision support systems through integration of retrieval-augmented generation and knowledge graphs

Dimension	Metrics	Measurement method	Weight
Decision quality	Accuracy, optimality, robustness	Expert agreement, provable bounds, perturbation analysis	30%
Knowledge utilization	Relevance, coverage, novelty	Information retrieval metrics, domain coverage analysis	25%
Explanation effectiveness	Comprehensibility, completeness, traceability	User studies, content analysis, graph connectivity	20%
Integration performance	Cross-domain success, orchestration efficiency	Multi-domain scenarios, pathway analysis	15%
Adaptive capabilities	Learning efficiency, transfer effectiveness	Sample efficiency, domain adaptation metrics	10%

En total, veinticuatro profesionales de cada área, incluyendo siete analistas financieros, nueve administradores de atención médica y ocho gerentes de la cadena de suministro, evaluaron el programa. La evaluación de los resultados por parte de expertos se realizó mediante rúbricas estandarizadas, con un orden aleatorio de presentación de los resultados y un formato regular para evitar sesgos en las evaluaciones. Los índices alfa de Krippendorff para la evaluación de la confiabilidad entre evaluadores para todas las métricas oscilan entre 0,72 y 0,85, lo que indica niveles de concordancia de buenos a excelentes, suficientes para la evaluación de la confiabilidad comparativa.

Resultados

Nuestra evaluación arrojó información valiosa sobre las características de rendimiento del soporte integrado para la toma de decisiones basado en el conocimiento. Me centraré en los hallazgos clave y la evidencia que los respalda.

Comparación del rendimiento general

La Tabla  4 presenta el desempeño agregado en todos los dominios, mostrando las puntuaciones medias para cada enfoque en las métricas de evaluación primaria.

Tabla 4. Comparación del rendimiento general en todos los dominios de aplicación (media ± desviación estándar). El IKEDS demuestra una superioridad estadísticamente significativa sobre todos los enfoques de referencia en todas las métricas de evaluación, con tamaños del efecto que oscilan entre 1,78 y 2,92, lo que indica una gran significancia práctica.

From: Construction of intelligent decision support systems through integration of retrieval-augmented generation and knowledge graphs

Metric	IKEDS	KG-only	RAG-only	Parallel-KG-RAG	p-value	Effect size (d)
Decision accuracy (%)	85.7 ± 3.2	74.6 ± 4.1	67.3 ± 4.8	77.6 ± 3.9	< 0.001	2.34
Knowledge relevance	0.91 ± 0.04	0.83 ± 0.05	0.74 ± 0.07	0.82 ± 0.06	< 0.001	1.78
Explanation quality	0.88 ± 0.05	0.75 ± 0.07	0.67 ± 0.08	0.76 ± 0.06	< 0.001	1.86
Cross-domain integration	0.84 ± 0.06	0.49 ± 0.09	0.47 ± 0.08	0.63 ± 0.07	< 0.001	2.92
Learning efficiency	0.79 ± 0.07	0.58 ± 0.08	0.61 ± 0.09	0.64 ± 0.08	< 0.001	1.97

El análisis estadístico confirmó ventajas significativas de rendimiento para IKEDS sobre todos los enfoques de referencia en todas las métricas ( p  < 0,001). Los tamaños del efecto (d de Cohen) oscilaron entre 1,78 y 2,92, lo que indica una alta significancia práctica. La ventaja más sustancial se observó en la integración interdominio, donde IKEDS superó el mejor enfoque de referencia en un 33,3 %.

Se observó un hallazgo inesperado al comparar las brechas de rendimiento entre los distintos niveles de complejidad de las decisiones. Para decisiones simples (tercil de menor complejidad), la ventaja de precisión de IKEDS sobre Parallel-KG-RAG fue modesta (5,3 %), pero esta brecha se amplió drásticamente para decisiones complejas (tercil de mayor complejidad), alcanzando el 19,7 %. Este patrón se observó de forma consistente en todos los dominios, lo que sugiere que los beneficios de la integración aumentan con la complejidad de las decisiones.

Rendimiento específico del dominio

Las Tablas  5 y 6 , y la Tabla  7 presentan resultados detallados para cada dominio, desglosados ​​por tipos de escenarios de decisión.

Tabla 5 Comparación del desempeño del dominio financiero.

From: Construction of intelligent decision support systems through integration of retrieval-augmented generation and knowledge graphs

Metric	Scenario	IKEDS	KG-only	RAG-only	Parallel-KG-RAG
Decision accuracy (%)	Portfolio optimization	89.7 ± 2.8	78.3 ± 3.4	70.2 ± 4.1	80.5 ± 3.2
	M&A analysis	86.5 ± 3.1	72.1 ± 3.8	68.7 ± 4.3	77.8 ± 3.5
	ESG screening	85.8 ± 3.0	73.2 ± 3.6	70.6 ± 4.0	79.3 ± 3.3
Knowledge relevance	Portfolio optimization	0.94 ± 0.03	0.89 ± 0.04	0.77 ± 0.06	0.85 ± 0.05
	M&A analysis	0.91 ± 0.04	0.86 ± 0.05	0.74 ± 0.07	0.82 ± 0.06
	ESG screening	0.92 ± 0.04	0.87 ± 0.05	0.78 ± 0.06	0.84 ± 0.05
Explanation quality	Portfolio optimization	0.87 ± 0.05	0.73 ± 0.07	0.69 ± 0.08	0.76 ± 0.06
	M&A analysis	0.85 ± 0.05	0.70 ± 0.08	0.65 ± 0.09	0.73 ± 0.07
	ESG screening	0.83 ± 0.06	0.72 ± 0.08	0.68 ± 0.09	0.74 ± 0.07
Cross-domain integration	Portfolio optimization	0.82 ± 0.06	0.48 ± 0.09	0.53 ± 0.08	0.64 ± 0.07
	M&A analysis	0.78 ± 0.07	0.42 ± 0.10	0.49 ± 0.09	0.59 ± 0.08
	ESG screening	0.81 ± 0.06	0.46 ± 0.09	0.52 ± 0.08	0.63 ± 0.07

En el ámbito financiero, IKEDS mostró un rendimiento especialmente sólido en escenarios de optimización de carteras, con una ventaja de precisión del 9,2 % sobre la mejor referencia. El análisis post hoc reveló que esta ventaja se debía principalmente a una mejor integración del análisis de tendencias del mercado con el modelado de riesgos, capacidades que operan en dominios de conocimiento distintos, pero que deben coordinarse para tomar decisiones de cartera eficaces.

Los escenarios de análisis de fusiones y adquisiciones mostraron la mayor ventaja de integración entre dominios (32,2 % sobre la mejor línea de base), lo que refleja la naturaleza inherentemente entre dominios del análisis de adquisiciones, que abarca la valoración financiera, la alineación estratégica, la integración operativa y el cumplimiento normativo.

Los resultados del análisis ESG revelaron un patrón interesante: si bien el IKEDS superó los valores de referencia en general, la ventaja fue menos pronunciada en los criterios ambientales que en los de gobernanza. Esto parece reflejar la naturaleza más estructurada y basada en normas de la evaluación de gobernanza, en comparación con la naturaleza más matizada y dependiente del contexto de la evaluación de impacto ambiental.

Tabla 6 Comparación del desempeño del dominio de atención médica.

From: Construction of intelligent decision support systems through integration of retrieval-augmented generation and knowledge graphs

Metric	Scenario	IKEDS	KG-only	RAG-only	Parallel-KG-RAG
Decision accuracy (%)	Resource allocation	86.9 ± 3.0	79.3 ± 3.5	64.7 ± 4.6	79.6 ± 3.4
	Pathway selection	85.2 ± 3.1	77.5 ± 3.6	66.2 ± 4.5	78.3 ± 3.5
	Quality improvement	81.7 ± 3.3	71.8 ± 3.9	65.1 ± 4.6	75.5 ± 3.7
Knowledge relevance	Resource allocation	0.91 ± 0.04	0.87 ± 0.05	0.73 ± 0.07	0.82 ± 0.06
	Pathway selection	0.90 ± 0.04	0.85 ± 0.05	0.69 ± 0.08	0.81 ± 0.06
	Quality improvement	0.87 ± 0.05	0.82 ± 0.06	0.72 ± 0.07	0.78 ± 0.06
Explanation quality	Resource allocation	0.92 ± 0.04	0.81 ± 0.06	0.67 ± 0.08	0.79 ± 0.06
	Pathway selection	0.93 ± 0.03	0.82 ± 0.06	0.70 ± 0.08	0.80 ± 0.06
	Quality improvement	0.89 ± 0.04	0.75 ± 0.07	0.68 ± 0.08	0.73 ± 0.07
Cross-domain integration	Resource allocation	0.86 ± 0.05	0.54 ± 0.08	0.48 ± 0.09	0.67 ± 0.07
	Pathway selection	0.84 ± 0.05	0.51 ± 0.09	0.45 ± 0.10	0.64 ± 0.08
	Quality improvement	0.87 ± 0.05	0.52 ± 0.09	0.47 ± 0.09	0.65 ± 0.07

Los resultados de atención médica revelaron un patrón inesperado: la ventaja en la calidad de la explicación del IKEDS fue más pronunciada en la selección de la vía clínica (16,3 % sobre el mejor valor inicial). Las entrevistas de seguimiento con expertos en atención médica sugirieron que esto se debía a la capacidad del marco para vincular explícitamente las recomendaciones con los niveles de evidencia y las guías clínicas, lo cual es particularmente valioso en contextos médicos donde se prioriza la práctica basada en la evidencia.

Los escenarios de asignación de recursos mostraron la mayor ventaja en precisión (9,2 % sobre la mejor línea base), especialmente en los escenarios que implican asignación bajo incertidumbre. La capacidad del marco IKEDS para razonar explícitamente sobre la incertidumbre, manteniendo a la vez una conexión clara con las prioridades organizacionales, resultó especialmente valiosa en estos contextos.

Los escenarios de mejora de la calidad demostraron la mayor ventaja de integración entre dominios (33,8 % sobre la mejor línea base), lo que refleja la naturaleza multifacética de la calidad de la atención médica que abarca los dominios clínico, operativo, financiero y de experiencia del paciente.

Tabla 7 Comparación del desempeño del dominio de la cadena de suministro.

From: Construction of intelligent decision support systems through integration of retrieval-augmented generation and knowledge graphs

Metric	Scenario	IKEDS	KG-only	RAG-only	Parallel-KG-RAG
Decision accuracy (%)	Supplier selection	85.3 ± 3.1	73.6 ± 3.8	68.9 ± 4.3	77.2 ± 3.6
	Network configuration	83.7 ± 3.2	70.5 ± 4.0	65.8 ± 4.5	74.8 ± 3.7
	Disruption response	82.8 ± 3.3	71.4 ± 3.9	67.9 ± 4.4	74.9 ± 3.7
Knowledge relevance	Supplier selection	0.90 ± 0.04	0.81 ± 0.06	0.75 ± 0.07	0.83 ± 0.05
	Network configuration	0.87 ± 0.05	0.78 ± 0.06	0.71 ± 0.07	0.80 ± 0.06
	Disruption response	0.88 ± 0.05	0.79 ± 0.06	0.74 ± 0.07	0.81 ± 0.06
Explanation quality	Supplier selection	0.85 ± 0.05	0.70 ± 0.08	0.67 ± 0.08	0.73 ± 0.07
	Network configuration	0.82 ± 0.06	0.67 ± 0.08	0.64 ± 0.09	0.70 ± 0.08
	Disruption response	0.83 ± 0.06	0.69 ± 0.08	0.65 ± 0.09	0.71 ± 0.07
Cross-domain integration	Supplier selection	0.89 ± 0.04	0.51 ± 0.09	0.44 ± 0.10	0.63 ± 0.08
	Network configuration	0.86 ± 0.05	0.47 ± 0.09	0.40 ± 0.10	0.59 ± 0.08
	Disruption response	0.88 ± 0.05	0.50 ± 0.09	0.43 ± 0.10	0.62 ± 0.08

En el ámbito de la cadena de suministro, IKEDS demostró un rendimiento especialmente sólido en la integración interdominio en escenarios de selección de proveedores (41,3 % por encima del valor base). Esto refleja la naturaleza multifacética de la evaluación de proveedores, que abarca la calidad del producto, la fiabilidad de la entrega, la estabilidad financiera, las prácticas de sostenibilidad y la alineación estratégica.

Los escenarios de configuración de red mostraron la mayor ventaja en precisión (11,9 % sobre la mejor línea base), especialmente en escenarios que implican complejas compensaciones entre coste, capacidad de respuesta y resiliencia. La capacidad del marco IKEDS para modelar estas compensaciones explícitamente, considerando las limitaciones geográficas y temporales, resultó especialmente valiosa.

Los escenarios de respuesta a interrupciones revelaron un patrón temporal interesante: si bien IKEDS superó los valores de referencia en general, la ventaja fue más pronunciada en el caso de interrupciones de inicio rápido que requieren una respuesta inmediata. Esto parece reflejar la capacidad del marco para integrar rápidamente diversas fuentes de conocimiento bajo presión del tiempo, una capacidad crucial para una gestión eficaz de las interrupciones.

Análisis del rendimiento según las características de la decisión

La figura 3 ilustra cómo varía el rendimiento del sistema con la complejidad de la decisión, mostrando la creciente brecha de rendimiento entre IKEDS y los enfoques de referencia a medida que aumenta la complejidad.

Este patrón se mantuvo constante en todos los dominios y métricas, y la brecha de rendimiento se amplió considerablemente en la integración entre dominios. En el tercil de mayor complejidad, IKEDS superó el mejor valor de referencia en un 35,7 % en las medidas de integración entre dominios, casi el doble de la ventaja observada en el tercil de menor complejidad (18,9 %).

Un análisis más detallado reveló que el marco IKEDS proporcionó las mayores ventajas de rendimiento para decisiones caracterizadas por:

1. 1.Complejidad del conocimiento: Las decisiones que involucran múltiples conceptos interconectados mostraron las mayores brechas de rendimiento (hasta un 24,3 % de mejora en la precisión). Esta ventaja se debe a la capacidad del marco para razonar explícitamente sobre las relaciones entre conceptos.
2. 2.Condiciones de incertidumbre: Los escenarios con incertidumbre significativa mostraron ventajas sustanciales para el enfoque integrado (mejora promedio del 21,8%). La combinación de la representación estructurada del conocimiento con la generación flexible permite un manejo más robusto de la información incompleta.
3. 3.Requisitos entre dominios: Las decisiones que abarcan los límites de dominios tradicionales mostraron las diferencias de rendimiento más significativas (mejora promedio del 35,7%). Esto refleja un objetivo de diseño fundamental del marco IKEDS: permitir un razonamiento fluido entre dominios.
4. 4.Satisfacción de las restricciones: Los escenarios complejos con múltiples restricciones en competencia revelaron ventajas significativas (mejora promedio del 19,4%). La capacidad del marco para representar las restricciones explícitamente al mismo tiempo que se razonan las compensaciones resultó particularmente valiosa.
5. 5.Contextos novedosos: Las decisiones con antecedentes históricos limitados mostraron beneficios sustanciales (mejora promedio del 28,2%). Al combinar el conocimiento estructurado con la generación flexible, el marco puede adaptar el conocimiento existente a situaciones novedosas con mayor eficacia que los enfoques puramente basados ​​en el conocimiento o puramente generativos.

Análisis del aprendizaje y la adaptación

El análisis de las curvas de aprendizaje demostró que IKEDS requirió un 37 % menos de ejemplos para alcanzar niveles de rendimiento equivalentes en comparación con los enfoques de referencia. La Figura  4 ilustra la eficiencia del aprendizaje en los distintos enfoques.

Esta ventaja en la eficiencia se debe a la capacidad del marco para aprovechar el conocimiento estructurado para guiar el aprendizaje, reduciendo la necesidad de ejemplos extensos. El efecto fue especialmente pronunciado en los tipos de decisiones complejas, donde IKEDS mostró una eficiencia de muestra un 43 % mayor en comparación con la mejor referencia.

Las capacidades de transferencia de conocimiento fueron particularmente impresionantes, con una retención del rendimiento del 73 % al migrar a escenarios nuevos pero relacionados (en comparación con el 41-58 % de las líneas base). Esto sugiere que la representación integrada del conocimiento permite una generalización más eficaz en contextos de decisión relacionados.

El análisis de recuperación de errores reveló que, tras tomar decisiones incorrectas, IKEDS mostró una probabilidad del 84 % de corregir errores similares en escenarios posteriores, en comparación con el 46-61 % de los enfoques de referencia. Esta ventaja en el aprendizaje refleja la capacidad del marco para integrar la retroalimentación de forma más eficaz al conectarla con el conocimiento estructurado.

Perspectivas cualitativas

El análisis temático de los comentarios de los expertos identificó varias ventajas clave del marco IKEDS:

1. 1.Transparencia de las explicaciones: Los expertos calificaron sistemáticamente las explicaciones de IKEDS como más transparentes y trazables (87 % de satisfacción frente al 51-69 % de las líneas base). Los comentarios destacaron con frecuencia la importancia de conectar las explicaciones con las estructuras de conocimiento subyacentes.
2. 2.Relevancia contextual: El marco demostró una capacidad superior para identificar conocimiento contextualmente relevante (92 % de relevancia frente al 63-78 % de las líneas base). Los expertos valoraron especialmente la capacidad del sistema para incorporar el contexto y las prioridades organizacionales en las recomendaciones.
3. 3.Profundidad del razonamiento: Los expertos observaron que las recomendaciones del IKEDS mostraron evidencia de un razonamiento más profundo que consideró las implicaciones indirectas y las consecuencias a largo plazo (85 % de profundidad frente al 47-61 % de las líneas base). Esto fue particularmente evidente en escenarios complejos con múltiples factores interdependientes.
4. 4.Adaptación a la retroalimentación: El marco demostró una capacidad superior para incorporar la retroalimentación de expertos y adaptar las recomendaciones posteriores (79 % de adaptación frente al 42-56 % de las líneas base). Esto sugiere que la integración del conocimiento estructurado con la generación flexible permite un aprendizaje más eficaz a partir de las interacciones de los usuarios.

La evaluación de expertos también identificó áreas de mejora:

1. Eficiencia computacional: El enfoque integrado requirió considerablemente más recursos computacionales que los enfoques más simples (aproximadamente 3,2 veces el cálculo de la línea base más simple). Esto sugiere la necesidad de optimización y posible simplificación para contextos de implementación con recursos limitados.
2. Complejidad del sistema: Varios expertos expresaron su preocupación por la complejidad de la arquitectura, señalando posibles desafíos para el mantenimiento y la ampliación del sistema. Como comentó un evaluador: «El sistema funciona de maravilla, pero me preocupa quién podría mantenerlo en un contexto organizacional real». Esto pone de relieve la importancia de la documentación y la transferencia de conocimientos para los sistemas de IA complejos.
3. Rendimiento de arranque en frío: Si bien IKEDS aprende con mayor eficiencia, su rendimiento inicial en dominios completamente nuevos requiere una ingeniería de conocimiento sustancial. Esto presenta un equilibrio entre la inversión inicial y la eficiencia a largo plazo que las organizaciones deben considerar al adoptar el marco.

Análisis entre dominios

Nuestro análisis entre dominios reveló patrones consistentes que validan los principios fundamentales del marco IKEDS al tiempo que identifican matices en el desempeño específico del dominio.

La consistencia de las ventajas de rendimiento en los distintos dominios sugiere que la arquitectura central incorpora principios independientes del dominio para un soporte eficaz de decisiones. A pesar de las significativas diferencias en el conocimiento del dominio, la terminología y los requisitos de decisión, las ventajas relativas de rendimiento se mantuvieron notablemente estables.

Las mejoras de rendimiento más sustanciales se observaron consistentemente en escenarios que requerían la integración de conocimientos a través de los límites de los dominios tradicionales. Este hallazgo tiene importantes implicaciones para las decisiones organizacionales complejas que abarcan áreas funcionales, precisamente los escenarios donde los sistemas actuales de soporte de decisiones suelen fallar.

Los resultados de eficiencia de aprendizaje mostraron patrones consistentes en todos los dominios, donde IKEDS requirió entre un 32 % y un 41 % menos de ejemplos para alcanzar un rendimiento equivalente. Esta consistencia sugiere que el enfoque de aprendizaje guiado por el conocimiento aborda los desafíos fundamentales de eficiencia, en lugar de las peculiaridades específicas de cada dominio.

El análisis interdominio también identificó desafíos comunes. Los costos de ingeniería del conocimiento siguen siendo considerables en todos los dominios (aproximadamente entre 120 y 180 horas-persona por dominio en nuestra implementación). A medida que los grafos de conocimiento aumentan en tamaño y complejidad, es cada vez más importante prestar atención a la eficiencia de la recuperación, un desafío de escalamiento que estamos abordando activamente en nuestro trabajo continuo.

Los patrones de adaptación del usuario mostraron una consistencia interesante en todos los dominios. Los usuarios que inicialmente no estaban familiarizados con el sistema mostraron una curva de aprendizaje predecible al utilizar eficazmente las explicaciones multinivel. Las interacciones iniciales se centraron principalmente en explicaciones de alto nivel, incorporando gradualmente niveles de explicación más profundos a medida que los usuarios se familiarizaban con el sistema y los conceptos del dominio.

Estos hallazgos proporcionan una valiosa guía para el desarrollo e implementación futuros de sistemas integrados de apoyo a la toma de decisiones basados ​​en el conocimiento. Si bien nuestros resultados demuestran de forma convincente el valor de la integración profunda entre los grafos de conocimiento y la generación aumentada por recuperación, también destacan áreas que requieren mayor investigación y desarrollo.

Metodología de evaluación y resultados

La validación empírica del marco IKEDS requirió un enfoque experimental meticuloso que equilibró el rigor metodológico con la relevancia práctica. Diseñamos nuestra evaluación para comparar sistemáticamente la arquitectura integrada con enfoques alternativos en diversos contextos de decisión, prestando especial atención a los escenarios desafiantes que ponen a prueba los límites de las tecnologías actuales de apoyo a la toma de decisiones. Esta evaluación abarcó tres dimensiones complementarias: evaluación comparativa con referencias establecidas, análisis exhaustivo en múltiples dominios de aplicación e investigación sistemática de patrones de rendimiento relacionados con las características de decisión y la capacidad de aprendizaje.

Para cada ámbito de aplicación (inversión financiera, gestión sanitaria y optimización de la cadena de suministro), construimos conjuntos de datos de evaluación exhaustivos, derivados de datos reales y validados por expertos en la materia. El conjunto de datos financieros comprendía 47 escenarios de decisiones de inversión extraídos de datos históricos de mercado (2015-2023), que incorporaban desafíos de asignación de activos, análisis de fusiones y adquisiciones (M&A) y casos de selección de inversiones ESG. El conjunto de datos de gestión sanitaria incluía 53 escenarios basados ​​en datos operativos anónimos de tres organizaciones sanitarias, que abarcaban la asignación de recursos, la selección de vías clínicas y las iniciativas de mejora de la calidad. Para la optimización de la cadena de suministro, desarrollamos 51 escenarios que abarcaban la selección de proveedores, la configuración de la red y la planificación de la respuesta ante interrupciones. Estos conjuntos de datos se diseñaron deliberadamente para incluir una proporción sustancial de escenarios interdisciplinarios que requerían la integración de conocimientos de múltiples áreas, una capacidad que, según nuestra hipótesis, diferenciaría el marco IKEDS de enfoques más sencillos.

Para establecer puntos de comparación significativos, implementamos tres sistemas de referencia que representan distintos enfoques de integración del conocimiento. El sistema KG-Only empleó los mismos componentes de grafos de conocimiento que IKEDS, pero se basó exclusivamente en algoritmos de grafos tradicionales y razonamiento basado en reglas para la generación de decisiones. El sistema RAG-Only utilizó componentes idénticos de recuperación y generación, pero sin representación estructurada del conocimiento, tratando todo el conocimiento como texto no estructurado. El sistema Parallel-KG-RAG ejecutó el razonamiento de grafos de conocimiento y la generación aumentada por recuperación en paralelo, combinando sus resultados mediante un método de conjunto ponderado sin los mecanismos de integración profunda de IKEDS. Todos los sistemas tuvieron acceso a fuentes de conocimiento y recursos computacionales idénticos, lo que garantizó que las diferencias de rendimiento observadas reflejaran realmente ventajas arquitectónicas, en lugar de disparidades en los datos o recursos subyacentes.

Nuestras métricas de evaluación capturaron múltiples dimensiones del rendimiento del sistema relevantes para contextos de implementación práctica. Más allá de la precisión en las decisiones, evaluamos la relevancia del conocimiento (la eficacia con la que los sistemas identificaron y utilizaron la información pertinente), la calidad de la explicación (en las dimensiones de comprensibilidad, integridad y trazabilidad), la integración interdominio (eficacia del razonamiento a través de los límites del dominio) y la adaptabilidad (eficiencia del aprendizaje y capacidad de transferencia de conocimiento). Este enfoque multidimensional nos permitió identificar áreas específicas donde la integración arquitectónica ofrece ventajas particularmente significativas.

Para garantizar una evaluación imparcial, empleamos un protocolo de evaluación doble ciego en el que ni los expertos en el área que evaluaban los resultados del sistema ni los investigadores que realizaban la evaluación conocían qué sistema generaba cada respuesta. Normalizamos el formato de los resultados para evitar la identificación basada en las características de presentación y aplicamos una validación cruzada quíntuple para los componentes basados ​​en el aprendizaje, con el fin de garantizar una evaluación robusta del rendimiento. Las pruebas de significación estadística mediante pruebas t pareadas y ANOVA con análisis post-hoc confirmaron la fiabilidad de las diferencias de rendimiento observadas.

Los resultados revelaron ventajas de rendimiento consistentes y sustanciales para el marco IKEDS en todas las dimensiones de evaluación y dominios de aplicación. La Tabla  8 presenta los resultados agregados en todos los escenarios de decisión. La precisión de decisión general para IKEDS promedió el 85,7 % (± 3,2 %), superando significativamente los enfoques KG-Only (74,6 % ± 4,1 %), RAG-Only (67,3 % ± 4,8 %) y Parallel-KG-RAG (77,6 % ± 3,9 %). El análisis estadístico confirmó la significancia de estas diferencias ( p  < 0,001, F = 28,4), con pruebas post-hoc de Tukey que indicaron que IKEDS superó significativamente a todos los sistemas de referencia ( p  < 0,01 para todas las comparaciones por pares).

Tabla 8 Comparación del desempeño general (Media ± Desviación estándar).

De: Construcción de sistemas inteligentes de apoyo a la toma de decisiones mediante la integración de generación aumentada por recuperación y grafos de conocimiento

Métrico	IKEDS	Solo KG	Solo RAG	Paralelo-KG-RAG	Significancia estadística
Precisión de la decisión (%)	85,7 ± 3,2	74,6 ± 4,1	67,3 ± 4,8	77,6 ± 3,9	p  < 0,001, F = 28,4
Relevancia del conocimiento	0,91 ± 0,04	0,83 ± 0,05	0,74 ± 0,07	0,82 ± 0,06	p  < 0,001, F = 21,6
Calidad de la explicación	0,88 ± 0,05	0,75 ± 0,07	0,67 ± 0,08	0,76 ± 0,06	p  < 0,001, F = 24,2
Integración entre dominios	0,84 ± 0,06	0,49 ± 0,09	0,47 ± 0,08	0,63 ± 0,07	p  < 0,001, F = 35,7
Adaptabilidad	0,79 ± 0,07	0,58 ± 0,08	0,61 ± 0,09	0,64 ± 0,08	p  < 0,001, F = 18,3

Si bien se observaron ventajas de rendimiento en todas las métricas, su magnitud varió de forma reveladora. La ventaja más sustancial se observó en la integración entre dominios, donde IKEDS alcanzó una puntuación promedio de 0,84 (± 0,06) en comparación con 0,49 (± 0,09) para KG-Only, 0,47 (± 0,08) para RAG-Only y 0,63 (± 0,07) para Parallel-KG-RAG. Esta mejora del 33,3 % con respecto a la mejor línea base valida nuestra hipótesis central: la integración arquitectónica profunda permite un razonamiento más eficaz entre dominios que los enfoques de integración más simples.

El análisis por dominio reveló patrones matizados que ilustran las fortalezas particulares de la arquitectura IKEDS. En el ámbito financiero, los escenarios de optimización de cartera mostraron la mayor ventaja en precisión (9,2 % sobre el mejor punto de referencia), derivada principalmente de la integración superior del análisis de tendencias del mercado con la modelización de riesgos. Los escenarios de análisis de fusiones y adquisiciones revelaron un rendimiento de integración interdominio particularmente sólido (32,2 % sobre el mejor punto de referencia), lo que refleja la capacidad del marco para analizar simultáneamente los dominios financiero, estratégico, operativo y regulatorio. Curiosamente, los escenarios de cribado ESG mostraron ventajas variables según el tipo de criterio: más sólidas para la evaluación de gobernanza (que tiende a ser más estructurada y basada en normas) que para la evaluación de impacto ambiental (que a menudo implica un juicio más matizado). La Tabla  9 presenta la comparación detallada del rendimiento para los escenarios de decisión de inversión financiera.

Tabla 9 Comparación del desempeño del dominio financiero.

De: Construcción de sistemas inteligentes de apoyo a la toma de decisiones mediante la integración de generación aumentada por recuperación y grafos de conocimiento

Métrico	Guión	IKEDS	Solo KG	Solo RAG	Paralelo-KG-RAG
Precisión de la decisión (%)	Optimización de cartera	89,7 ± 2,8	78,3 ± 3,4	70,2 ± 4,1	80,5 ± 3,2
	Análisis de fusiones y adquisiciones	86,5 ± 3,1	72,1 ± 3,8	68,7 ± 4,3	77,8 ± 3,5
	Evaluación ESG	85,8 ± 3,0	73,2 ± 3,6	70,6 ± 4,0	79,3 ± 3,3
Relevancia del conocimiento	Optimización de cartera	0,94 ± 0,03	0,89 ± 0,04	0,77 ± 0,06	0,85 ± 0,05
	Análisis de fusiones y adquisiciones	0,91 ± 0,04	0,86 ± 0,05	0,74 ± 0,07	0,82 ± 0,06
	Evaluación ESG	0,92 ± 0,04	0,87 ± 0,05	0,78 ± 0,06	0,84 ± 0,05
Calidad de la explicación	Optimización de cartera	0,87 ± 0,05	0,73 ± 0,07	0,69 ± 0,08	0,76 ± 0,06
	Análisis de fusiones y adquisiciones	0,85 ± 0,05	0,70 ± 0,08	0,65 ± 0,09	0,73 ± 0,07
	Evaluación ESG	0,83 ± 0,06	0,72 ± 0,08	0,68 ± 0,09	0,74 ± 0,07
Integración entre dominios	Optimización de cartera	0,82 ± 0,06	0,48 ± 0,09	0,53 ± 0,08	0,64 ± 0,07
	Análisis de fusiones y adquisiciones	0,78 ± 0,07	0,42 ± 0,10	0,49 ± 0,09	0,59 ± 0,08
	Evaluación ESG	0,81 ± 0,06	0,46 ± 0,09	0,52 ± 0,08	0,63 ± 0,07

El ámbito sanitario mostró patrones distintivos, con escenarios de selección de vías clínicas que mostraron notables ventajas en la calidad de la explicación (16,3 % con respecto al mejor punto de referencia). Las entrevistas de seguimiento con expertos sanitarios indicaron que esto se debía a la capacidad de IKEDS para vincular explícitamente las recomendaciones con los niveles de evidencia y las guías clínicas, una capacidad especialmente valorada en contextos médicos donde se prioriza la práctica basada en la evidencia. Los escenarios de asignación de recursos revelaron un rendimiento superior en condiciones de incertidumbre (9,2 % de ventaja en precisión), mientras que las iniciativas de mejora de la calidad demostraron una excepcional capacidad de integración interdisciplinaria (33,8 % de ventaja), lo que refleja la capacidad del marco para analizar los ámbitos clínico, operativo, financiero y de experiencia del paciente. La Tabla  10 presenta comparaciones detalladas del rendimiento del ámbito sanitario.

Tabla 10 Comparación del desempeño del dominio de atención médica.

De: Construcción de sistemas inteligentes de apoyo a la toma de decisiones mediante la integración de generación aumentada por recuperación y grafos de conocimiento

Métrico	Guión	IKEDS	Solo KG	Solo RAG	Paralelo-KG-RAG
Precisión de la decisión (%)	Asignación de recursos	86,9 ± 3,0	79,3 ± 3,5	64,7 ± 4,6	79,6 ± 3,4
	Selección de vía	85,2 ± 3,1	77,5 ± 3,6	66,2 ± 4,5	78,3 ± 3,5
	Mejora de la calidad	81,7 ± 3,3	71,8 ± 3,9	65,1 ± 4,6	75,5 ± 3,7
Relevancia del conocimiento	Asignación de recursos	0,91 ± 0,04	0,87 ± 0,05	0,73 ± 0,07	0,82 ± 0,06
	Selección de vía	0,90 ± 0,04	0,85 ± 0,05	0,69 ± 0,08	0,81 ± 0,06
	Mejora de la calidad	0,87 ± 0,05	0,82 ± 0,06	0,72 ± 0,07	0,78 ± 0,06
Calidad de la explicación	Asignación de recursos	0,92 ± 0,04	0,81 ± 0,06	0,67 ± 0,08	0,79 ± 0,06
	Selección de vía	0,93 ± 0,03	0,82 ± 0,06	0,70 ± 0,08	0,80 ± 0,06
	Mejora de la calidad	0,89 ± 0,04	0,75 ± 0,07	0,68 ± 0,08	0,73 ± 0,07
Integración entre dominios	Asignación de recursos	0,86 ± 0,05	0,54 ± 0,08	0,48 ± 0,09	0,67 ± 0,07
	Selección de vía	0,84 ± 0,05	0,51 ± 0,09	0,45 ± 0,10	0,64 ± 0,08
	Mejora de la calidad	0,87 ± 0,05	0,52 ± 0,09	0,47 ± 0,09	0,65 ± 0,07

En el ámbito de la cadena de suministro, los escenarios de selección de proveedores mostraron capacidades excepcionales de integración entre dominios (41,3 % por encima del mejor punto de referencia), mientras que las decisiones de configuración de red mostraron la mayor ventaja en precisión (11,9 %). Se observó un patrón temporal interesante en los escenarios de respuesta a interrupciones: la ventaja de IKEDS fue especialmente pronunciada en interrupciones de inicio repentino que requieren una respuesta inmediata, lo que sugiere que la capacidad del marco para integrar rápidamente diversas fuentes de conocimiento resulta especialmente valiosa bajo presión temporal. La Tabla  11 muestra la comparación detallada del rendimiento en el ámbito de la cadena de suministro.

Tabla 11 Comparación del desempeño del dominio de la cadena de suministro.

De: Construcción de sistemas inteligentes de apoyo a la toma de decisiones mediante la integración de generación aumentada por recuperación y grafos de conocimiento

Métrico	Guión	IKEDS	Solo KG	Solo RAG	Paralelo-KG-RAG
Precisión de la decisión (%)	Selección de proveedores	85,3 ± 3,1	73,6 ± 3,8	68,9 ± 4,3	77,2 ± 3,6
	Configuración de red	83,7 ± 3,2	70,5 ± 4,0	65,8 ± 4,5	74,8 ± 3,7
	Respuesta a la interrupción	82,8 ± 3,3	71,4 ± 3,9	67,9 ± 4,4	74,9 ± 3,7
Relevancia del conocimiento	Selección de proveedores	0,90 ± 0,04	0,81 ± 0,06	0,75 ± 0,07	0,83 ± 0,05
	Configuración de red	0,87 ± 0,05	0,78 ± 0,06	0,71 ± 0,07	0,80 ± 0,06
	Respuesta a la interrupción	0,88 ± 0,05	0,79 ± 0,06	0,74 ± 0,07	0,81 ± 0,06
Calidad de la explicación	Selección de proveedores	0,85 ± 0,05	0,70 ± 0,08	0,67 ± 0,08	0,73 ± 0,07
	Configuración de red	0,82 ± 0,06	0,67 ± 0,08	0,64 ± 0,09	0,70 ± 0,08
	Respuesta a la interrupción	0,83 ± 0,06	0,69 ± 0,08	0,65 ± 0,09	0,71 ± 0,07
Integración entre dominios	Selección de proveedores	0,89 ± 0,04	0,51 ± 0,09	0,44 ± 0,10	0,63 ± 0,08
	Configuración de red	0,86 ± 0,05	0,47 ± 0,09	0,40 ± 0,10	0,59 ± 0,08
	Respuesta a la interrupción	0,88 ± 0,05	0,50 ± 0,09	0,43 ± 0,10	0,62 ± 0,08

Más allá de los patrones específicos de cada dominio, nuestro análisis reveló relaciones sistemáticas entre las características de las decisiones y la magnitud de la ventaja de rendimiento de IKEDS. Esta ventaja aumentó considerablemente con la complejidad del conocimiento, el nivel de incertidumbre y los requisitos interdisciplinarios, precisamente los tipos de decisiones que tradicionalmente plantean desafíos a los sistemas de soporte de decisiones. En las decisiones que implican conocimiento simple y factual, la ventaja fue modesta (5-8%), pero en las decisiones que requieren conocimiento complejo e interconectado que abarca múltiples dominios, la ventaja aumentó drásticamente (18-24%). De igual manera, la ventaja se expandió del 7 al 10% en escenarios deterministas al 15-22% en escenarios de alta incertidumbre.

Discusión

Los resultados empíricos respaldan nuestra hipótesis, ilustrando cómo IKEDS supera a Parallel-KG-RAG debido a la integración sinérgica de KG y RAG, en lugar de simplemente su combinación. Los sistemas de IA contemporáneos que emplean arquitecturas modulares o de creación-uso enfrentan un desafío en la orquestación dinámica del conocimiento a través de RE interdominios. Los beneficios clave son una mejor integración entre dominios, explicaciones multinivel y una mejora del 37% en la eficiencia del aprendizaje para dominios con escasez de datos. Teóricamente, IKEDS combina IA neuronal y simbólica y mejora los modelos de lenguaje con conocimiento estructurado para aplicaciones de razonamiento intensivo. Los altos costos de la ingeniería del conocimiento, las demandas computacionales, los problemas de escalabilidad para KG grandes y el conocimiento conflictivo son algunas limitaciones. En el futuro, nos gustaría realizar actualizaciones continuas, personalización y soporte colaborativo. Debemos integrar el razonamiento causal. Debemos expandirnos a dominios como la gestión ambiental.

Conclusión

Presentamos IKEDS, un marco que combina KGs y RAG para el apoyo a la toma de decisiones interdisciplinarias en tareas complejas. Las innovaciones abarcan grafos de conocimiento multicapa con mapeos interdisciplinarios, recuperación optimizada, orquestación dinámica, generación contextual y explicaciones multinivel. Los resultados de la evaluación en los campos de finanzas, salud y cadenas de suministro demuestran que IKEDS supera el modelo base: (i) precisión del 85,7 % (frente al 67,3-77,6 %), (ii) relevancia del conocimiento de 0,91 (frente a 0,74-0,83), (iii) calidad de la explicación de 0,88 (frente a 0,67-0,76) y (iv) integración interdisciplinaria de 0,84 (frente a 0,47-0,63). Además, es capaz de lograr un aumento del 37 % en la eficiencia y la transferencia del aprendizaje. La combinación nos permite integrar el razonamiento y el sentido común de Knowledge Graph con la flexibilidad y el lenguaje de LLM.

Disponibilidad de datos

Los datos presentados en este estudio están disponibles a solicitud del autor correspondiente.

Referencias

1. Geisler, S. et al. Ecosistemas de datos basados ​​en el conocimiento hacia la transparencia de datos. ACM J. Data Inform. Qual. 14 (1), 1–12. https://doi.org/10.1145/3467022 (2022).Artículo Google Académico 
2. Ibáñez, L. et al. Confianza, responsabilidad y autonomía en IA basada en grafos de conocimiento para la autodeterminación. Trans. Graph Data Knowl. 1 (1), 9:1–932. https://doi.org/10.4230/TGDK.1.1.9 (2023).Artículo Google Académico 
3. Pan, S. et al. Unificación de grandes modelos lingüísticos y grafos de conocimiento: Una hoja de ruta. IEEE Trans. Knowl. Data Eng. 36 (7), 3580–3599. https://doi.org/10.1109/TKDE.2023.3306685 (2024).Artículo Google Académico 
4. Gutiérrez, C. & Sequeda, JF Gráficos de conocimiento. Comunitario. ACM . 64 (3), 96-104. https://doi.org/10.1145/3418294 (2021).Artículo Google Académico 
5. Rivas, A., Collarana, D., Torrente, M. y Vidal, M. Un sistema neurosimbólico sobre grafos de conocimiento para la predicción de enlaces. Semant Web https://doi.org/10.3233/SW-233324 (2023).Artículo Google Académico 
6. Chandak, P., Huang, K. y Zitnik, M. Construcción de un grafo de conocimiento para facilitar la medicina de precisión. BioRxiv https://doi.org/10.1101/2022.05.01.489928 (2022).Artículo Google Académico 
7. Bader, SR, Grangel-González, I., Nanjappa, P., Vidal, M. y Maleshkova, M. Un grafo de conocimiento para la Industria 4.0. En La Web Semántica (pp. 465–480). Springer.  https://doi.org/10.1007/978-3-030-49461-2_27 (2020)
8. Wang, CN, Yang, FC, Vo, NTM y Nguyen, VTT OWL: un modelo de predicción de aprendizaje automático optimizado para la detección del cáncer de pulmón. EBioMedicine 88 , 104443. https://doi.org/10.1016/j.ebiom.2023.104443 (2023).Artículo PubMed Centro de PubMed Google Académico 
9. Oelen, A., Jaradeh, MY y Auer, S. ORKG ASK: Un sistema neurosimbólico de búsqueda y exploración académica. En Actas de la 20.ª Conferencia Internacional sobre Sistemas Semánticos. CEUR-WS. (2024).
10. Bagchi, M. Hacia el modelado generativo de metadatos impulsado por IA: un enfoque colaborativo entre modelos de lenguaje humano y de gran tamaño. Libr. Trends . 73 (3), 297–322 (2025).Artículo Google Académico 
11. Wang, Z., Zhang, J., Feng, J. y Chen, Z. Incrustación de grafos de conocimiento mediante traducción en hiperplanos. En Actas de la Conferencia AAAI sobre Inteligencia Artificial (Vol. 28, N.º 1). AAAI. (2014).
12. Ji, G., He, S., Xu, L., Liu, K. y Zhao, J. Incrustación de grafos de conocimiento mediante una matriz de mapeo dinámico. En Actas de la 53.ª Reunión Anual de la Asociación de Lingüística Computacional (pp. 687–696). ACL. (2015).
13. Huang, H. y Vidal, M. CauseKG: Un marco que mejora la inferencia causal con conocimiento implícito deducido de grafos de conocimiento. Acceso IEEE. https://doi.org/10.1109/ACCESS.2024.3395134 (2024).Artículo Google Académico 
14. Vidal, ME et al. Integración de grafos de conocimiento con IA simbólica: el camino hacia sistemas de IA híbridos interpretables en medicina. J. Web Semant. 84 , 100856. https://doi.org/10.1016/j.websem.2024.100856 (2025).Artículo Google Académico 
15. Richens, JG, Lee, CM y Johri, S. Mejora de la precisión del diagnóstico médico con aprendizaje automático causal. Nat. Commun. 11 (1), 1–9. https://doi.org/10.1038/s41467-020-17419-7 (2020).Artículo CAS Google Académico 
16. Alcaraz, C. y Lopez, J. Amenazas de seguridad en gemelos digitales. IEEE Commun. Surv. Tutorials . 24 (3), 1475–1503. https://doi.org/10.1109/COMST.2022.3176153 (2022).Artículo Google Académico 
17. Alowais, SA et al. Revolucionando la atención médica: el rol de la inteligencia artificial en la práctica clínica. BMC Med. Educ. 23 (1), 1–18. https://doi.org/10.1186/s12909-023-04698-z (2023).Artículo Google Académico 
18. Azzam, A., Polleres, A., Fernández, JD y Acosta, M. Smart-KG: Fragmentos de datos enlazados basados ​​en particiones para consultar grafos de conocimiento. Web Semántica . 15 (5), 1791–1835. https://doi.org/10.3233/SW-243571 (2024).Artículo Google Académico 
19. Bonney, MS, de Angelis, M., Dal Borgo, M. y Wagg, DJ. Contextualización de la información en procesos de gemelos digitales. Mech. Syst. Signal Process. 184 , 109657. https://doi.org/10.1016/j.ymssp.2022.109657 (2023).Artículo Google Académico 
20. Callahan, TJ et al. Un ecosistema de grafos de conocimiento de código abierto para las ciencias de la vida. arXiv. (2024). https://arxiv.org/abs/2307.05727
21. Chaves-Fraga, D., Colpaert, P., Sadeghi, M. & Comerio, M. Editorial de datos de transporte en la web. Web Semántica . 14 (4), 613–616. https://doi.org/10.3233/SW-223278 (2023).Artículo Google Académico 
22. Díaz-Honrubia, AJ, Rohde, PD, Niazmand, E., Menasalvas, E. y Vidal, M. PALADIN: Un lenguaje de restricciones basado en procesos para la validación de datos. Inform. Fusion . 112 , 102557. https://doi.org/10.1016/j.inffus.2024.102557 (2024).Artículo Google Académico 
23. Janev, V. et al. Gestión responsable del conocimiento en ecosistemas de datos energéticos. Energies 15 (11), 3973. https://doi.org/10.3390/en15113973 (2022).Artículo Google Académico 
24. Kiseleva, A., Kotzinos, D. y De Hert, P. Transparencia de la IA en la atención médica como un sistema multicapa de responsabilidades. Front. Artif. Intell. https://doi.org/10.3389/frai.2022.879603 (2022). 5.Artículo PubMed Centro de PubMed Google Académico 
25. Königstorfer, F. y Thalmann, S. Documentación de IA: un camino hacia la rendición de cuentas. J. Responsible Technol. 11 , 100043. https://doi.org/10.1016/j.jrt.2022.100043 (2022).Artículo Google Académico 
26. Li, HX, Appleby, G., Brumar, CD, Chang, R. y Suh, A. Gráficos de conocimiento en la práctica: caracterización de sus usuarios, desafíos y oportunidades de visualización. IEEE Trans. Vis. Comput. Graph. 30 (1), 584–594. https://doi.org/10.1109/TVCG.2023.3326904 (2024).Artículo PubMed Google Académico 
27. Molino, M., Cortese, CG y Ghislieri, C. Promoción de la aceptación de la tecnología y el compromiso laboral en la industria 4.0. Int. J. Environ. Res. Salud Pública . 17 (7), 2438. https://doi.org/10.3390/ijerph17072438 (2020).Artículo PubMed Centro de PubMed Google Académico 
28. Pennekamp, ​​J. et al. Evolución de la infraestructura industrial digital para la producción. En Internet of Production (pp. 35-60). Springer (2023). https://doi.org/10.1007/978-3-031-44497-5_2
29. Polleres, A. et al. ¿Cómo evoluciona el conocimiento en grafos de conocimiento abierto? Trans. Graph Data Knowl. 1 (1), 11:1–1159. https://doi.org/10.4230/TGDK.1.1.11 (2023).Artículo Google Académico 
30. Ruckhaus, E., Anton-Bravo, A., Scrocca, M. y Corcho, Ó. Aplicación de la metodología LOT a una ontología de transporte público en autobús alineada con transmodel. Web Semántica . 14 (4), 639–657. https://doi.org/10.3233/SW-210451 (2023).Artículo Google Académico 
31. Wu, W., Zhang, Y., Chen, L. y Hu, W. Recuperación guiada por gráficos de conocimiento y generación aumentada. Preimpresión de arXiv arXiv:2502.06864. (2025).
32. Edge, D., Trinh, H., Truitt, S. y Larson, J. GraphRAG: Desbloqueando el descubrimiento LLM en datos narrativos privados. Microsoft Research. (2024). https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/
33. Grupo de Investigación en Manufactura. Document Graphrag: generación aumentada de recuperación mejorada de grafos de conocimiento para la respuesta a preguntas sobre documentos en el ámbito de la manufactura. Electronics 14 (11), 2102. https://doi.org/10.3390/electronics14112102 (2025).Artículo Google Académico 
34. Fan, W. et al. MedRAG: Mejora de la generación aumentada por recuperación con razonamiento elicitado por grafos de conocimiento para Healthcare Copilot. Actas de la Conferencia ACM sobre Web 2025, 1891-1902. (2025). https://doi.org/10.1145/3696410.3714782

Fuente: https://www.nature.com/articles/s41598-025-19257-3

---