Este artículo propone un marco novedoso para sistemas inteligentes de apoyo a la decisión basado en modelos de generación aumentada por recuperación y grafos de conocimiento, con el fin de superar las deficiencias de los enfoques actuales. Sistemas como Mistral 7B, LLaMA-2 y otros tienden a fallar en la comprensión contextual, la transparencia y el razonamiento en múltiples pasos que involucran muchos dominios. Nuestra arquitectura propuesta combina las fortalezas de los modelos generativos, mejorados por la recuperación de conocimiento externo, con representaciones estructuradas y vinculadas del conocimiento del dominio. Con esta sinergia, mostramos una mejora en la precisión de la decisión, la transparencia del razonamiento y la relevancia contextual en comparación con el uso de cualquiera de las tecnologías por sí sola. La estructura tiene una capa flexible de orquestación del conocimiento que optimiza el intercambio de información entre representaciones estructuradas y capacidades generativas. La investigación realizada en tres áreas, a saber, servicios financieros, gestión de la salud y la cadena de suministro ha mostrado que nuestro método tiene un desempeño particularmente bueno en lo que respecta al razonamiento interdominios y consultas ambiguas. Este estudio profundiza nuestra comprensión de los sistemas de inteligencia artificial que mejoran el conocimiento, así como ofrece una hoja de ruta para un sistema de apoyo a la decisión de próxima generación. El marco está diseñado para abordar algunos de los problemas más desafiantes que enfrentan las empresas al tomar decisiones. En particular, se apoya tanto en el contexto como en la experiencia para proporcionar recomendaciones explicables.
Wang et al. (Vie,) estudiaron esta cuestión.